DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN...

DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN TRANSMISI

BERBASIS TRANSFORMASI WAVELET DAN KLASIFIKASI NAIVE BAYES

FAULT DETECTION AND CLASSIFICATION OF TRANSMISSION LINE

BASED ON WAVELET TRANSFORM AND NAIVE BAYES CLASSIFIER

Muhammad Rajavalens 2209 100 097

Dosen Pembimbing :

1. Dimas Anton Asfani, ST.,MT., PhD.

2. Dr. Eng. I Made Yulistya Negara, ST.,M.Sc.

1

OUTLINE

1. PENDAHULUAN

2. PEMODELAN SALURAN TRANSMISI

3. SIMULASI PADA SALURAN TRANSMISI

4. WAVELET TRANSFORM

5. PENGKLASIFIKASIAN MENGGUNAKAN BAYESIAN CLASSIFIER

2

Pembangkit Beban

Saluran Transmisi

3

Batasan Masalah

1. Kondisi awal sistem tiga fasa diasumsikan seimbang.

2. Kondisi saluran transmisi yang akan dianalisis adalah :

• Sistem tanpa gangguan (Normal)

• Gangguan hubung singkat satu fasa ke tanah (a-g)

• Gangguan hubung singkat dua fasa (a-b)

• Gangguan hubung singkat dua fasa ke tanah (a-b-g)

• Gangguan hubung singkat tiga fasa ke tanah (a-b-c-g)

3. Pemodelan saluran transmisi menggunakan data Saluran Udara Tegangan Ekstra Tinggi (SUTET) 500 kV Jawa Madura Bali (Jamali) Ungaran – Surabaya Barat.

4

1. Menghasikan metode dalam mendeteksi dan mengklasifikasikan

jenis gangguan pada saluran transmisi dengan memanfaaatkan

gejala transien gelombang arus saat terjadi gangguan.

2. Menghasilkan metode yang memiliki tingkat akurasi yang tinggi

dalam mendeteksi dan mengklasifikasikan jenis gangguan pada

saluran transmisi dengan berbagai jenis gangguan yang berbeda.

3. Menghasilkan metode yang mampu mendeteksi dan

mengklasifikasikan gangguan dengan resistansi yang tinggi.

Tujuan

5

Bayesian Classifier

Wavelet Transform

Simulasi Hubung Singkat

Flowchart

6

Single Line Diagram Sistem Transmisi Listrik Jamali

7

Pemodelan Saluran Transmisi2

Pemodelan Saluran Transmisi Bus Unggaran – Surabaya Barat

8


Wilayah Timur Wilayah Barat

Vrms (V) 489.000 467.000

Sudut fasa A (˚) 11,868 6,108

Frekuensi (Hz) 50 50

Koneksi Internal Yg Yg

Short Circuit Level 3 fasa (MVA) 38623,6 18878,8

Base Voltage (Vrms ph-ph) 500.000 500.000

Rasio X/R 28 12

Bus swing swing

Parameter Sumber Tiga Fasa

9


Parameter Besaran

Frekuensi (Hz) 50

[r1 r0] (Ohm/km) [0.0293 0.3864]

[l1 l0] (H/km) [0.896x10-3 4.1264 x10-3]

[c1 c0] (F/km) [12.74 x10-9 7.751 x10-9]

lsec (km) 250

Parameter Saluran Transmisi

10

Hubung singkat yang disimulasikan:

1. Jenis gangguan (a-g, a-b, a-b-g, a-b-c-g)

2. Jarak gangguan (0 km – 250 km dengan interval 25 km )

3. Fault Inception Angle ( 0˚- 180˚ dengan interval 20˚)

4. Resistansi Gangguan (0.001, 35, 65, 95, 8000, 9000, 10000,

11000)

Total dilakukan simulasi sebanyak 3520 kondisi hubung singkat

dan 110 kondisi normal.

11

Simulasi Pada Saluran Transmisi2

Menentukan Parameter Gangguan

Simulasi Gangguan

Hubung Singkat

Save Data Sinyal Arus Gangguan

FlowChart

12

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-500

0

500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

Perbedaan bentuk arus pada saat kondisi normal dan

gangguan hubung singkat :

a) Kondisi Normal

b) Gangguan Satu Fasa ke Tanah (a-g)

c) Gangguan Dua Fasa ke Tanah (a-b-g)

d) Gangguan Dua Fasa (a-b)

e) Gangguan Tiga Fasa ke Tanah (a-b-c-g)

(b)

(a)

(c)

(d) (e)

13


0 0.02 0.04 0.06 0.08 0.1-5000

0

5000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

0 0.02 0.04 0.06 0.08 0.1-3000

-2000

-1000

0

1000

2000

3000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-1500

-1000

-500

0

500

1000

1500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

(a) (b)

(c) (d)

Perbedaan bentuk arus berdasarkan jarak gangguan (a) Jarak 0.0001 km (b) Jarak 100 km (c) Jarak 200 km (d) jarak 250 km

14


0 0.02 0.04 0.06 0.08 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

0 0.02 0.04 0.06 0.08 0.1-1500

-1000

-500

0

500

1000

1500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Perbedaan bentuk arus berdasar Fault Inception Angle (a) Fault Inception Angel 0o

(b) Fault Inception Angel 60o (c) Fault Inception Angel 120o (d) Fault Inception Angel 180o

(a) (b)

(c) (d)

15


0 0.02 0.04 0.06 0.08 0.1-4000

-2000

0

2000

4000

6000

8000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Fasa a

Fasa b

Fasa c

0 0.02 0.04 0.06 0.08 0.1-2000

-1000

0

1000

2000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-1500

-1000

-500

0

500

1000

1500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-1000

-500

0

500

1000

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Perbedaan bentuk arus berdasar resistansi gangguan (a) Rf = 0.001 Ω (b) Rf = 35 Ω (c) Rf = 65 Ω (d) Rf = 95 Ω

(a) (b)

(c) (d)

16


0 0.02 0.04 0.06 0.08 0.1-500

0

500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-500

0

500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-500

0

500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

0 0.02 0.04 0.06 0.08 0.1-500

0

500

Time (Second)

Curr

ent

(Am

pere

)

Arus Send

Perbedaan bentuk arus berdasar resistansi gangguan (e) Rf = 8000 Ω (f) Rf = 9000 Ω

(g) Rf = 10000 Ω (h) Rf = 11000 Ω

(e) (f)

(g) (h)

17


RfSinyal

Normal (A)

Arus Gangguan

Terendah

Sinyal Gangguan

Tertinggi

(A) Lonjakan (A) Lonjakan

0 450 6240 1286.00% 115400 25544.00%

35 450 1560 246.00% 11070 2360.00%

65 450 1080 140.00% 6200 1278.00%

95 450 900 100.00% 4420 882.00%

8000 450 457 1.56% 507 12.60%

9000 450 457 1.56% 501 11.33%

10000 450 456 1.33% 496 10.22%

11000 450 456 1.33% 492 9.33%

Perbandingan nilai lonjakan arus gangguan

18

Mother Wavelet Daubechies-5

Daubechies-8

Coiflet-5

(Level 1-5)

19

Wavelet Transform2

20

Dimana :

Hf = High-pass Filter

Lf = Low-pass Filter

dn = Sinyal detail level ke-n

an = Sinyal aproksimasi level ke-n

Sn = Koefisien hasil penjumlahan 3 cycle sinyal detail

Ʃ3 cycle = Penjumlahan 3 sinyal detail

Sinyal

Hf d1 Ʃ3 cycle S1

Lf a1

a4

Hf d5 Ʃ3 cycle S5

Lf a5

FlowChart

untuk dijadikan fitur dalam Naive Bayesian Classifier.

0 5 10 15 20 25 30-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

Koefisie

n H

igh-F

ilter

Coif5

0 5 10 15 20 25 30-0.2

0

0.2

0.4

0.6

0.8

Koefisie

n L

ow

-Filt

er

0 2 4 6 8 10-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

Koefisie

n H

igh-F

ilter

Db5

0 2 4 6 8 10-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Koefisie

n L

ow

-Filt

er

0 5 10 15 20-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

Koefisie

n H

igh-F

ilter

Db8

0 5 10 15 20-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Koefisie

n L

ow

-Filt

er

Wavelet Transform3

Koefisien Filter

Coiflet-5 Daubechies-5 Daubechies-8

(a1) (b1) (c1)

(a2) (b2) (c2)

21

Wavelet Transform4

0 500 1000 1500 2000 2500-1

0

1

2x 10

5

Fasa a

0 100 200 300 400 500 600-100

-50

0

50

d2

0 200 400 600 800 1000 1200-20

0

20

d1

0 50 100 150 200 250 300-100

0

100

200

d3

0 20 40 60 80 100 120 140-1000

0

1000

d4

0 10 20 30 40 50 60 70 80-5000

0

5000

d5

Detail sinyal hasil dekomposisi 5 level

(d1)(a)

(d3)(d2)

(d5)(d4)

22

Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah :

Wavelet Transform5

𝑆𝑛 = 𝑥(𝑖)

12002𝑛

𝑖=1

Dimana :n : Level dekomposisi sinyali : Bilangan bulatX : Sampel sinyal detail

Perhitungan penjumlahan 3 cycle detail sinyal dekomposisi tiap level :

23


Wavelet Transform6

Kondisi Saluran TransmisiKoefesien Wavelet Tiap Fasa

Sa Sb Sc

Normal Kecil Kecil Kecil

Gangguan 1 Fasa ke Tanah Besar Sedang Sedang

Gangguan 2 Fasa Besar Besar Kecil

Gangguan 2 Fasa ke Tanah Besar Besar Sedang

Gangguan 3 Fasa ke Tanah Besar Besar Besar

Pola dasar dari Koefisien S

24

|Sa|−|Sb| (Pengurangan nilai absolut Sa dan Sb)

|Sa|−|Sc| (Pengurangan nilai absolut Sa dan Sc)

|Sb|−|Sc| (Pengurangan nilai absolut Sb dan Sc)

Variasi−variasi tersebut yang nantinya akan dijadikan fitur dalam Bayessian Classifier.

Wavelet Transform7

Variasi yang dibentuk yaitu :1.SumSaSbSc (Penjumlahan Sa, Sb, dan Sc)2.SumSaSb (Penjumlahan Sa dan Sb)3.SumSaSc (Penjumlahan Sa dan Sc)4.SumSbSc (Penjumlahan Sb dan Sc)5.|Sa|-|Sb| (Pengurangan nilai absolut Sa dan Sb)6. |Sa|-|Sc| (Pengurangan nilai absolut Sa dan Sc)7.|Sb|-|Sc| (Pengurangan nilai absolut Sb dan Sc)

25


Wavelet Transform8

Algoritma Diagnosa Gangguan

YaTidak

SumSaSbSc = 0

|Sa|-|Sb| = 0|Sa|-|Sc| = 0|Sb|-|Sc| = 0

L-L-L-G Fault

sumSaSb = 0sumSaSc = 0sumSbSc = 0

L-G Fault L-L-G Fault L-L Fault

Ya Tidak Ya Tidak

26

Pengambilan Sampel Data

Bayesian Classifier2

Variasi Koefisien S

Data Training

Training

Validasi Akurasi

Data test Testing Akurasi

FlowChart

28



KondisiData Training Data Test

Jumlah data Filter Jumlah data Filter

Normal 99

Db5, Db8, Coif5

(level 1-5)

11

Db5, Db8, Coif5

(level 1-5)

Gangguan 1 Fasa ke Tanah 792 88

Gangguan 2 Fasa 792 88



Total 3267 15 363 15


29



Training Level

Wavelet 1 2 3 4 5

Db5 71.75 86.41 85.22 94.09 97.00

Db8 71.69 92.41 84.96 96.11 96.97

Coif5 57.64 86.23 86.13 93.69 96.48

Training Level

Wavelet 1 2 3 4 5

Db5 98.75 97.49 98.29 98.32 99.78

Db8 98.93 97.46 98.65 98.56 99.36

Coif5 92.29 96.27 98.62 98.75 99.39

Distribusi Normal

Distribusi Kernel

30

Validasi Sampel Data



Test Level

Wavelet 1 2 3 4 5

Db5 73.55 87.88 83.20 94.21 100

Db8 73.00 93.11 83.20 95.87 100

Coif5 55.10 84.85 87.88 93.66 98.90

Test Level

Wavelet 1 2 3 4 5

Db5 97.25 93.39 99.17 98.35 100

Db8 96.14 98.90 98.90 99.45 100

Coif5 82.09 98.35 98.35 99.17 100

Distribusi Normal

Distribusi Kernel

31

Testing Sampel Data

Positive Predictive Value Distribusi Kernel


OUTPUT

Kelas 0 1 2 3 4 Akurasi kelas

I

N

P

U

T

0 99 0 0 0 0 100.00%

1 0 787 5 0 0 99.37%

2 0 0 792 0 0 100.00%

3 0 1 1 790 0 99.75%

4 0 0 0 0 792 100.00%

Positive Predictive Value Filter Db5 Level 5 Distribusi Kernel

32

1. Kondisi yang dapat dideteksi dan diklasifikasikan menggunakan metodeTransformasi Wavelet dan Klasifikasi Naive Bayes adalah kondisi normal dan kondisigangguan hubung singkat dengan resistansi gangguan yang tinggi (High Resistance).

2. Penggunaan estimasi distribusi tipe kernel lebih baik dari tipe normal, karena padatipe kernel mampu mengestimasi Probability Distribution Function (PDF) darikeragaman data dengan lebih mendekati bentuk distribusi data aslinya.

3. Jenis filter yang memiliki nilai akurasi paling tinggi adalah Db5 pada level kelimadengan nilai akurasi 97,09% menggunakan distribusi normal dan 99.78% denganmenggunakan distribusi kernel. Hal ini dikarenakan tipe mother wavelet Db5 level 5mampu mendeteksi kondisi transien arus gangguan dengan resistansi tinggi,menghasilkan koefisien detail sinyal yang lebih besar dan terdistribusi lebih padatdibanding yang lainnya.

33

Daftar Pustaka1. M. Mirzaei, M.Z. A Ab Kadir, E. Moazami, H. Hizam "Review of Fault Location Methods for Distribution Power System". Australian Journal of Basic and Applied Sciences ,

3(3): 2670-2676, 2009 ISSN 1991-8178

2. M. M. Saha, Jan Izykowski ,and Eugeniusz Rosolowski, "Fault Location on Power Networks" Springer. 2010. pp.20-25

3. Daman Suswanto, 2009 “Sistem Distribusi Tenaga Listrik”

4. Turan Gonen, “Electric Power Transmission System Engineering : Analysis and Design” Page : 207

5. Rosa M, Nelson V. “An overview of wavelet transforms application in power systems”. 14th PSCC, Sevilla, 2002, p. 24–28.

6. Liang J, Elangovan S, Devotta JBX. “A wavelet multiresolution analysis approach to fault detection and classification in transmission lines”. Electr Power Energ Sys 1998;20(5):327–32.

7. M. Jayabharata Reddy, D.K. Mohanta “A wavelet-fuzzy combined approach for classification and location of transmission line faults” Electrical Power and Energy Systems29 (2007) 669–678

8. Ferrero A, Sangiovanni S, Zappitelli E. “A fuzzy set approach to faulttype identification in digital relaying”. IEEE Trans Power Delivery 1995;10 (Jan):169–75

9. Omar AS. “Combined fuzzy-logic wavelet-based fault classification technique for power system relaying”. IEEE Trans Power Delivery 2004;19 (2):582–9

10. James S. Walker “A Primer on WAVELETS and Their Scientific Applications” second edition 2008 pp41

11. Dimas Anton A, Adi Soeprijanto, Mauridhi Heri P, “Klasifikasi Gangguan Hubung Singkat pada Saluran Transmisi yang Dikompensasi Seri Menggunakan KombinasiWavelet dan ANFIS”. Seminar Nasional Efisiensi dan Konservasi Energi FISERGI, Semarang, 12 Desember 2005, hal. B158-B165

12. MATLAB, The Mathwork.Inc, 2013

13. Aritz Pérez *, Pedro Larrañaga, Iñaki Inza “Bayesian classifiers based on kernel density estimation: Flexible classifiers” International Journal of Approximate Reasoning 50(2009) 341–362

14. Walter Zucchini, 2003 “APPLIED SMOOTHING TECHNIQUES Part 1: Kernel Density Estimation” pp. 3-9

15. F. V. Lopes, D. Fernandes Jr., W. L. A. Neves, “Fault Location on Transmission Lines Based on Travelling Waves”

16. Chanda D, Kishore NK, Sinha AK. “A wavelet multiresolution analysis for location of faults on transmission lines”. Electr Power Energ Syst 2003;25:59–69.

17. Singh, M., Panigrahi, K.B., Maheshwari, R.P, “Transmission line fault detection and classification” Emerging Trends in Electrical and Computer Technology (ICETECT),2011 International Conference on 23-24 March 2011 , Page(s): 15 – 22

34

-4000 -3000 -2000 -1000 0 1000 2000 3000 40000

0.5

1

1.5

2

2.5

x 10-3

Data

Density

PDF SumSaSbSc untuk Gangguan LG

Db5

Db8

Coif5

LG Data (-200 sampai dengan 200)

1.Db5 = 0.862374

2.Db8 = 0.866162

3.Coif5 = 0.84769737

-0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.40

2

4

6

8

10

12

14

Data

Density

PDF SumSaSbSc untuk Gangguan LL

Db5

Db8

Coif5

LL Data (-0.02 sampai dengan 0.02)

1.Db5 = 0.5

2.Db8 = 0.373737

3.Coif5 = 0.41919238

-5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 40000

0.5

1

1.5

2

2.5x 10

-3

Data

Density

PDF SumSaSbSc untuk Gangguan LLG

Db5

Db8

Coif5

LL Data (-200 sampai dengan 200)

1.Db5 = 0.875

2.Db8 = 0.852273

3.Coif5 = 0.84090939

-3 -2 -1 0 1 2 3

x 10-7

0

1

2

3

4

5

6

x 107

Data

Density

PDF SumSaSbSc untuk Gangguan LLLG

Db5

Db8

Coif5

LL Data (-200 sampai dengan 200)

1.Db5 = 0.968434

2.Db8 = 0.96717

3.Coif5 = 0.9671740

41

-3000 -2000 -1000 0 1000 2000 30000

0.2

0.4

0.6

0.8

1x 10

-3

Data

Density

SumSaSbSc Db5 Normal Distribution

data1

NORMAL DISTRIBUTION

42

-3000 -2000 -1000 0 1000 2000 30000

0.005

0.01

0.015

0.02

Data

Density

SumSaSbSc Db5 Kernel Distribution

KERNEL DISTRIBUTION

43

•p(cj | d) = Probabilitas data d masuk ke kelas cj

•p(d | cj) = Probabilitas data d ada di kelas cj

•p(cj) = Probabilitas muncul kelas cj

•p(d)= Probabilitas muncul data d

p(cj | d ) =p(d |cj) p(cj)

p(d)

BayesClassifiers

50

Jarak Rf SumSaSbSc SumSaSb |Sb|-|Sc|

0 0 1021,1552214641800 1239,1066909597100 0,0003124537760

0 35 1008,4786843567900 1219,8345527079100 0,0003124542510

0 65 937,2056368363340 1130,2383097803300 0,0003124535500

0 95 832,4194315531960 1002,2518583681300 0,0003124518340

0 8000 4,5358087215417 6,2605388135174 0,0003124406156

0 9000 3,9952702311433 5,5266169020378 0,0003124405550

0 10000 3,5693627093085 4,9463681528349 0,0003124405490

0 11000 3,2252163211229 4,4761818164324 0,0003124405958

250 0 14,8025661584101 71,2971771706290 0,0003457822101

250 35 12,8117573296575 73,0789885641573 0,0003457821609

250 65 11,9017915156105 73,9382355250759 0,0003457821747

250 95 11,3780335917971 74,4394740451048 0,0003457823325

250 8000 0,6635214706725 6,2448229715709 0,0003457820997

250 9000 0,5750653026592 5,5293053127616 0,0003457820974

250 10000 0,5070717788626 4,9672223065920 0,0003457822970

250 11000 0,4532862599475 4,5133660342803 0,0003457821384

LG

51


0 0 0,0572256897113 0,0925875459102 3726,1096112686500

0 35 0,0572177463484 0,0925749882799 3142,5362061595900

0 65 0,0572109747410 0,0925642448001 2322,6155866061200

0 95 0,0572041902516 0,0925534966998 1640,8695821528800

0 8000 0,0554526058505 0,0897988377044 2,4523522648042

0 9000 0,0552386188310 0,0894623268720 2,1404780772761

0 10000 0,0550262769977 0,0891284023246 1,8965252993823

0 11000 0,0548155614358 0,0887970345339 1,7006323480093

250 0 0,0041002239757 -0,2246364667800 527,7720210094630

250 35 0,0040996523759 -0,2246049371790 522,6380324672990

250 65 0,0040991625906 -0,2245779187390 517,4128663047790

250 95 0,0040986728958 -0,2245509066730 510,7661788135400

250 8000 0,0039735957083 -0,2176503382256 14,0859545603855

250 9000 0,0039583150025 -0,2168071695087 12,8109048390859

250 10000 0,0039431513286 -0,2159704340725 11,7759072392052

250 11000 0,0039281033927 -0,2151400583919 10,9121533951758

LL

52


0 0 -3790,9664653800300 -4538,1950405629600 5248,0602119971100

0 35 -2572,1676071461300 -3129,4843474220100 4150,0432843169100

0 65 -1495,8571660591200 -1849,1237205243900 2893,9925277753600

0 95 -841,7261415500540 -1067,4359902487200 1948,9593546153200

0 8000 6,8820447727414 6,0870899686945 -0,2830077351256

0 9000 6,1442466488536 5,4412413757223 -0,2018175338955

0 10000 5,5491751598028 4,9191524198460 -0,1456381558436

0 11000 5,0591022554052 4,4884061795846 -0,1055053243227

250 0 -50,9078182318890 -607,4032861331020 275,0946146321890

250 35 -60,4861811904280 -544,1786304774970 311,1513005399650

250 65 -62,7415218529051 -506,1305832958190 327,2054846317630

250 95 -61,8369578564330 -473,5533925930330 335,9428144997210

250 8000 0,5170133180554 -5,5862465911455 10,8886167116380

250 9000 0,4644974300713 -5,0641577905308 9,9266904135369

250 10000 0,4209498079881 -4,6332584199378 9,1502565897121

250 11000 0,3844247312543 -4,2710041782365 8,5037247074429

LLG

53


0 0 -0,0000000002201 -4538,2568192592800 1457,0628572686500

0 35 -0,0000001374397 -2936,4242800192000 1193,3987235487300

0 65 -0,0000001409701 -1595,0768327674600 796,5012224471800

0 95 -0,0000001031751 -872,5666619795390 535,1639841065260

0 8000 -0,0000000003170 3,0525543525457 -2,9607737218073

0 9000 -0,0000000002603 2,7321983226701 -2,6738201704833

0 10000 -0,0000000002454 2,4726819389817 -2,4369049056302

0 11000 -0,0000000002353 2,2581940155520 -2,2381629178501

250 0 0,0000000000470 -753,4027557657160 151,1870615839600

250 35 -0,0000000000110 -732,7663354220100 153,4831955595730

250 65 -0,0000000000080 -711,7961203659820 154,3646068948970

250 95 -0,0000000000140 -686,8368113236610 154,0769322579630

250 8000 0,0000000000091 -8,9940627933331 5,7904058308004

250 9000 0,0000000000014 -8,3708043420297 5,1769153598847

250 10000 -0,0000000000026 -7,8279453924675 4,6838404922659

250 11000 0,0000000000288 -7,3498817182905 4,2783350980787

LLLG

54

Rf SumSaSbSc SumSaSb |Sb|-|Sc|

450 0,0000000000097 0,0025697915182 0,0003122547973

453 -0,0000000000269 0,0025695847181 0,0003139615209

455 -0,0000000000315 0,0025693779062 0,0003156681334

457 0,0000000000515 0,0025691711239 0,0003173749905

461 -0,0000000000081 0,0025689643009 0,0003190816393

465 -0,0000000000148 0,0025687574461 0,0003207884885

471 0,0000000000147 0,0025685506858 0,0003224951624

476 -0,0000000000169 0,0025683438079 0,0003242020621

484 0,0000000000067 0,0025681370520 0,0003259086666

491 0,0000000000132 0,0025679302950 0,0003276153434

500 -0,0000000000383 0,0025675204940 0,0003309969273

NORMAL

DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN...

Documents

Transcript of DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN...