fuad-haging/inlet_cond_valve2

ROBOCOP V2 — Optimasi Operasi Condenser PLTP Kamojang Unit 1

Sistem pendukung keputusan operator berbasis machine learning untuk memperdalam vakum condenser Unit 1 PLTP Kamojang (30 MW), dengan cara mencari kombinasi posisi katup inlet condenser dan level basin cooling tower yang paling menguntungkan.

Berkas yang harus diunggah ke Space

Hanya lima berkas itu. Tidak perlu `.streamlit/config.toml` — seluruh tema tampilan sudah dikunci di dalam app.py, termasuk pengaman agar aplikasi tetap bertema terang walaupun peramban pengunjung sedang memakai mode gelap.

Unggah berkas .pkl lewat tombol Upload files di Hugging Face, jangan disalin-tempel.

Arsitektur tiga model

FAKTA LAPANGAN                    MODEL 1                 KELUARAN
suhu air masuk CT                                         suhu air keluar
wet bulb CT Unit 2        -->  ExtraTrees  -->            cooling tower (degC)
arus fan CT 1/2/3                R2 0,964
katup MCWP No.1 & No.2           MAE 0,19 degC
                                                              |
                                                              v
KEINGINAN OPERASI                 MODEL 3               HASIL OPTIMASI
MW 31,5                                                  katup inlet condenser
CV governor 85 %          -->  ExtraTrees  -->           level basin
target tekanan                   R2 0,985                + zona setara
                                 MAE 1,36 mbar           + tingkat dukungan data

MODEL 2 (pembanding) : memperkirakan apa yang BIASANYA dilakukan operator
                       pada kondisi serupa, sebagai pembanding rekomendasi optimasi.

Model 3 dipakai terbalik. Alih-alih menebak apa yang akan dilakukan operator, model ini meramalkan tekanan condenser untuk setiap kemungkinan kombinasi katup inlet condenser (1–100 %) dan level basin (900–1800 mm) — 18.109 kombinasi — lalu memilih yang memberi tekanan terendah. Waktu hitung sekitar 1,3 detik.

Dua pengaman yang membuat rekomendasi tidak asal

1. Indeks dukungan data. Setiap kombinasi dinilai jaraknya ke sepuluh tetangga terdekat pada 17.469 jam data historis. Rekomendasi hanya diambil dari tingkat dukungan paling ketat yang masih punya kandidat: kuat (≤ 0,298), sedang (≤ 0,477), lemah (≤ 0,775). Kalau tidak ada yang lolos, aplikasi menyatakan kombinasi itu di luar pengalaman unit.

2. Zona setara. Ketelitian Model 3 di satu titik diukur dari sebaran ramalan antar pohon di dalam ensemble. Semua kombinasi yang selisih tekanannya lebih kecil daripada ketelitian itu dinyatakan setara secara statistik dan ditampilkan sebagai rentang. Ini mencegah aplikasi menyebut satu angka yang terkesan lebih presisi daripada kemampuan modelnya sendiri.

Data

• —17.469 jam data bersih, April 2020 – November 2026
• —9.517 jam di antaranya berasal dari rezim operasi sekarang (beban 30 MW ke atas)
• —Seluruh parameter dari Unit 1. Hanya wet bulb yang diambil dari cooling tower Unit 2, karena Unit 1 tidak punya pengukuran wet bulb sedangkan kedua menara berjarak 8 meter.

Bukti kualitas data

Posisi katup inlet condenser dari logsheet manual dibandingkan dengan tag DCS 11PAB50AA051-XQ01 selama 8.769 jam yang beririsan:

Logsheet manual layak dipakai sebagai dasar machine learning.

Metrik model

Pembagian data 90:10 stratified ganda (era × kelompok bukaan ICV). Hyperparameter terbaik GridSearchCV untuk ketiganya: max_features=0.6, min_samples_leaf=1, n_estimators=300, max_depth=None. Versi yang diekspor dipadatkan menjadi n_estimators=130, min_samples_leaf=3 untuk Model 1 dan 3, serta n_estimators=100, min_samples_leaf=6 untuk Model 2, agar setiap berkas tetap di bawah 20 MB. Biaya akurasinya −0,58 % (Model 1), −0,16 % (Model 3), dan −5,5 % (Model 2 — dapat diterima karena Model 2 hanya dipakai sebagai pembanding kebiasaan historis, bukan sebagai dasar rekomendasi).

Perbandingan algoritma: 10 algoritma scikit-learn untuk Model 1 dan 2, 11 untuk Model 3 (ditambah SVR kernel RBF). ExtraTrees menang pada ketiganya.

Batas yang diakui terbuka

Pada beban 30 MW ke atas, katup inlet condenser di rezim sekarang praktis hanya pernah berada di dua nilai: 76 % (3.042 jam) dan 82 % (2.568 jam). Karena itu model tidak punya bukti untuk membedakan bukaan di atas kira-kira 83 %, dan hasil optimasi berhenti di sekitar 81 %.

Arah fisikanya sesuai dugaan operator — korelasi katup inlet condenser terhadap tekanan condenser pada rezim sekarang dan MW ≥ 30 adalah −0,529, artinya bukaan lebih lebar berdampingan dengan tekanan lebih rendah — tetapi besarnya tidak dapat dipastikan dari data yang ada. Untuk membuktikannya diperlukan uji terencana pada bukaan 85–90 % di beban 30 MW.

Hal serupa berlaku untuk data 2020–2024: pada periode itu bukaan katup memang pernah mencapai 97 %, tetapi dengan beban median hanya 24,8 MW dan tekanan condenser 124 mbara. Bukaan besar di sejarah unit berdampingan dengan beban rendah, sehingga bukan bukti bahwa bukaan besar baik pada 31,5 MW.

Cara pakai

1. 1.Bagian 1 — Fakta lapangan. Isi angka yang sedang terbaca: suhu air masuk cooling tower, wet bulb CT Unit 2, arus ketiga fan, dan posisi katup discharge MCWP. Praktik terbaik menahan katup MCWP di 43–44 %; aplikasi mengingatkan bila menyimpang. Tekan tombol ① HITUNG SUHU AIR KELUAR CT.
2. 2.Bagian 2 — Keinginan operasi. Isi beban MW yang diinginkan, bukaan control valve governor, dan target tekanan condenser. Tekan tombol ② OPTIMASI ICV & LEVEL BASIN.
3. 3.Bagian 3 — Hasil. Aplikasi menampilkan posisi katup inlet condenser dan level basin yang memberi vakum terdalam, zona setara, tingkat dukungan data, serta perbandingan terhadap kebiasaan historis.

Keluaran model bersifat rekomendasi. Keputusan akhir tetap pada operator CCR.