View
10
Download
0
Category
Preview:
Citation preview
13
BAB III
METODE PENELITIAN
3.1 Pengumpulan Data
Pada analisis optimasi aliran daya ini dibutuhkan data penunjang. Data
tersebut didapatkan dari data sistem standar IEEE 14-bus. Tabel 3.1 berisi tentang
kondisi terminal per unit masing-masing sumber dengan basis 100 [MVA], berikut
data-data yang diperoleh:
Tabel 3.1 Data Bus Sistem IEEE 14 Bus
Bus
No
Bus
Code
Bus Voltage Load Generation Reactive Power
Limits
Mag.
pu Angle
Real
Power
MW
Reactive
Power
Mvar
Real
Power
MW
Reactive
Power
Mvar
Qmin
Mvar
Qmax
Mvar
1 1 1.060 0 0.00 0.00 0 0 0 0
2 2 1.045 0 21.70 12.70 40 45.41 -40 50
3 2 1.010 0 94.20 19.00 0 25.28 0 40
4 3 1.000 0 47.80 -3.90 0 0 0 0
5 3 1.000 0 7.60 1.60 0 0 0 0
6 2 1.070 0 11.20 7.50 0 13.62 -6 24
7 3 1.000 0 0.00 0.00 0 0 0 0
8 2 1.090 0 0.00 0.00 0 18.24 -6 24
9 3 1.000 0 29.50 16.60 0 0 0 0
10 3 1.000 0 9.00 5.80 0 0 0 0
11 3 1.000 0 3.50 1.80 0 0 0 0
12 3 1.000 0 6.10 1.60 0 0 0 0
13 3 1.000 0 13.50 5.80 0 0 0 0
14 3 1.000 0 14.90 5.00 0 0 0 0
(Sumber: Souag dan Benhamida, 2014)
14
Tabel 3.2 Data Saluran Bus Sistem IEEE 14 Bus
Line
Number
From
Bus
To
Bus
Line Impedance Half line
charging
susceptance
(pu) Resistance Reactance
1 1 2 0.01938 0.05917 0.0264
2 2 3 0.04699 0.19797 0.0219
3 2 4 0.05811 0.17632 0.0187
4 1 5 0.05403 0.22304 0.0246
5 2 5 0.05695 0.17388 0.0170
6 3 4 0.06701 0.17103 0.0173
7 4 5 0.01335 0.04211 0.0064
8 5 6 0 0.25202 0.0000
9 4 7 0 0.20912 0.0000
10 7 8 0 0.17615 0.0000
11 4 9 0 0.55618 0.0000
12 7 9 0 0.11001 0.0000
13 9 10 0.03181 0.08450 0.0000
14 6 11 0.09498 0.19890 0.0000
15 6 12 0.12291 0.25581 0.0000
16 6 13 0.06615 0.13027 0.0000
17 9 14 0.12711 0.27038 0.0000
18 10 11 0.08205 0.19207 0.0000
19 12 13 0.22092 0.19988 0.0000
20 13 14 0.17093 0.34802 0.0000
(Sumber: Souag dan Benhamida, 2014)
Tabel 3.3 Data Pengaturan Tap Transformer Sistem IEEE 14 Bus
Transformer Data
From
bus
To
bus
Tap setting
(pu)
5 6 0.932
4 7 0.978
4 9 0.969
(Sumber: Souag dan Benhamida, 2014)
15
Tabel 3.4 Data Shunt Capasitor Sistem IEEE 14 Bus
Shunt Capasitor Data
Bus Number MVAR
9 0.19
(Sumber: Souag dan Benhamida, 2014)
Tabel 3.5 Data Batasan Pembangkitan Generator Sistem IEEE 14 Bus
Generation Real
Power
Gen
no.
Min
(MW)
Max
(MW)
1 50 500
2 20 200
3 20 300
6 20 150
8 20 200
(Sumber: Souag dan Benhamida, 2014)
Persamaan karakteristik biaya pembangkitan masing-masing pembangkit
adalah sebagai berikut:
C1 = 0.007 P12 + 7 P1 + 240 .................................................................... 3.1
C2 = 0.0095 P22 + 10 P2 + 200 ................................................................ 3.2
C3 = 0.009 P32 + 8.5 P3 + 220 ................................................................. 3.3
C4 = 0.009 P42 + 11 P4 + 200 .................................................................. 3.4
C5 = 0.008 P52 + 10.5 P5 + 220 ............................................................... 3.5
3.2 Data Sistem
Data yang digunakan dalam penelitian ini adalah data sistem standar IEEE
14 bus. Sistem ini berisi beban, saluran transmisi, dan generator yang ditunjukkan
oleh Gambar 3.1.
16
Gambar 3.1 Single Line Diagram Sistem Standar IEEE 14 Bus
(Sumber: Damchi, dkk., 2015)
3.3 Studi Aliran Daya
Studi aliran daya dilakukan guna mengetahui performansi sistem dalam
keadaan mantap (steady state). Proses ini memiliki tujuan untuk menghitung aliran
daya setiap feeder, rugi-rugi daya pada tiap feeder, jatuh tegangan tiap feeder,
pembebanan peralatan serta tegangan tiap bus pada suatu kondisi pembebanan dan
konfigurasi jaringan. Berdasarkan studi aliran daya ini didapatkan parameter-
parameter pada sistem steady state, antara lain:
a. Profil pembangkitan
b. Profil tegangan
17
Pada sistem aliran daya terdapat nilai tertinggi sistem transmisi dengan
beban di titik terjauh. Jika nilai melebihi batas maksimum, maka tidak
diperbolehkan dalam operasi sistem karena tidak baik bagi peralatan listrik. Solusi
yang dapat dilakukan adalah dengan memasang var kompensator. Var kompensator
dipasang secara seri.
3.4 Pengolahan Data Sebelum Dioptimalkan
Data yang telah didapatkan selanjutanya diinputkan ke dalam skrip pada
software Matlab. Untuk mendapatkan aliran daya pada sistem, maka data yang
didapatkan harus diubah ke dalam bentuk matrik admitansi. Kemudian dilakukan
penyelesaian persamaan aliran daya menggunakan metode Newton – Raphson
sehingga didapatkan nilai V, P, Q, dan S dari sistem. Daya nyata dari masing-
masing pembangkit dihitung berdasar pada data pembangkitan sistem dan dapat
dihitung biaya pembangkitan total pembangkit yang ada pada sistem (single-
objective function).
Gambar 3.2 menunjukkan diagram alir pengolahan data sebelum
dioptimalkan berdasarkan biaya pembangkitan. Pada proses ini masih
menggunakan satu fungsi objektif dengan parameter biaya pembangkitan.
18
Mulai
Data sistem
standar
IEEE 14
bus
Pembentukan
matriks admitansi
bus
Perhitungan V, P, Q,
S menggunakan
metode Newton-
Raphson
Hitung biaya
pembangkitan
total pada kondisi
optimal
Biaya
pembangkitan
pembangkit
Akhir
Gambar 3.2 Diagram Alir Pengolahan Data
19
3.5 Metode Optimasi Menggunakan Particle Swarm Optimization
3.5.1 Optimasi Dengan Single-objective Function
Mulai
Data sistem
standar
IEEE 14
bus
Perhitungan kondisi
aliran daya optimal
menggunakan Newton-
Raphson (fitness)
Pgg, P, V, dan
data biaya
pembangkitan
Update Velocity
Optmasi
Terpenuhi
Hasil
i i++ ii > max iterasi
Buat ii = 1
x bertambah
Akhir
Y
T
Y
Gambar 3.3 Diagram Alir Metode Optimasi Menggunakan Particle Swarm
Optimization dengan Single-objective Function
Berdasarkan diagram alir di atas, hal pertama yang dilakukan untuk
mengoptimasi aliran daya adalah menghitung nilai fitness dari sebuah sistem yang
akan dioptimasi. Peneliti menyelesaikan persamaan aliran daya menggunakan
20
metode Newton-Raphson. Setelah didapatkan persamaan aliran daya, maka didapat
niai P, V, dan Pgg pembangkitan. Kemudian data biaya pembangkitan diinputkan
beserta parameter-parameter PSO. Berdasarkan model perencanaan tersebut,
dihasilkan output berupa data hasil optimasi yaitu berupa nilai harga total biaya
pembangkitan, daya nyata yang dibangkitkan oleh pembangkit, dan tegangan
magnitude. Namun untuk optimasi dengan multi-objective function, fungsi
objektifnya merupakan fungsi objektif gabungan dari fungsi biaya pembangkitan
dan rugi – rugi daya. Kemudian parameter hasil keluarannya sama dengan hasil
akhir pada single-objective function, namun akan ada parameter tambahan yakni
total rugi – rugi daya pada sistem. Adapun diagram alir untuk multi-objective
function ditunjukkan oleh Gambar 3.4.
21
3.5.2 Optimasi Dengan Multi-objective Function
Mulai
Data sistem
standar
IEEE 14
bus
Perhitungan kondisi
aliran daya optimal
menggunakan Newton-
Raphson (fitness)
Fungsi
Objektif
Gabungan
Update Velocity
Optmasi
Terpenuhi
Hasil
i i++ ii > max iterasi
Buat ii = 1
x bertambah
Akhir
Y
T
YT
Gambar 3.4 Diagram Alir Metode Optimasi Menggunakan Particle Swarm
Optimization dengan Multi-objective Function
Particle swarm optimization digunakan untuk mendapatkan optimasi dari
daya nyata pembangkitan, tegangan magnitude, serta daya nyata dari sistem. PSO
ini akan bekerja sendiri pada bagian yang fungsi fitness yang akan dioptimasikan
dengan ketentuan parameter yang sudah diinputkan.
Pencarian nilai optimum dalam PSO dilakukan secara simultan terhadap
sejumlah kandidat solusi yang disebut dengan swarm. Swarm merupakan kumpulan
dari individu tunggal yang disebut dengan partikel. Individu-individu tunggal dalan
swarm dianalogikan sebagai suatu himpunan solusi yang mungkin dari
22
permasalahan optimasi. Penentuan jumlah partikel dilakukan dengan
memperhatikan lama waktu komputasi dan probabilitas dalam menentukan solusi
optimum. Semakin besar jumlah partikel yang digunakan akan membuat
perhitungan menjadi lebih lama. Tetapi jika jumlah partikel yang digunakan terlalu
sedikit, maka probabilitas dalam menemukan solusi yang lebih baik menjadi lebih
kecil.
Hal pertama yang dilakukan untuk optimasi aliran daya menggunakan
algoritma particle swarm optimization adalah dengan menentukan nilai total unit
pembangkit, beban, daya generator, tegangan, dan biaya pembangkitan. Kemudian
menentukan parameter-parameter yang dibutuhkan untuk algoritma ini seperti
swarm, bobot inersia, jumlah iterasi, dan konstanta akselerasi. Setelah itu dari data
beserta parameter particle swarm optimization yang sudah di inputkan akan di
tentukan Pbest dan Gbest mula-mula. Pbest merupakan nilai partikel terbaik, dalam
hal ini adalah nilai biaya pembangkitan terbaik. Langkah selanjutnya yaitu
menghitung kecepatan dan posisi partikel pada interasi berikutnya. Bila didapatkan
nilai fitness yang cukup baik atau sampai pada jumlah interasi maksimum maka
interasi akan berhenti mencari dan memperbaharui kecepatan dan posisi partikel,
sehingga nilai Pbest dan Gbest terbaru akan didapatkan. Program akan
menampilkan hasil Pbest dan Gbest yang dalam penelitian ini merupakan nilai
biaya pembangkitan beserta dengan daya yang harus dibangkitkan oleh generator,
beserta tegangan setiap bus dan total rugi-rugi daya pada sistem.
Langkah pertama yang dilakukan adalah membuat fitness function dalam
bentuk m-file untuk kemudian dioptimasi, hasil keseluruhannya akan di optimasi
oleh particle swarm optimization. Fitness function berisikan tentang kriteria dari
variable optimasi yang akan di evaluasi dan nilai optimal yang diharapkan. Fitness
function dalam kasus ini berisikan persamaan matematis untuk mencari persamaan
aliran daya optimal.
Kemudian cara untuk melakukan optimasi menggunakan particle swarm
optimization dalam matlab, yaitu menjalankan optimasi dan mengatur parameter
optimasi langsung menggunakan command line matlab. Proses optimasi dijalankan
dengan mengetikan perintah: “[out] = PSO(functname, D, mv, VarRange, minmax,
PSOparams)”. Deskripsi dari perintah tersebut sebagai berikut (Saukani, 2016):
23
functname, merupakan fungsi yang akan dioptimasikan
D, merupakan jumlah variable yang akan di optimasi
mv, batasan maksimal partikel velocity
VarRange, merupakan batasan matrik variabel masukan.
minmax, merupakan pengaturan dari fungsi optimasi dari PSO ini yaitu
kode 0 merupakan fungsi minimal dan kode 1 merupakan fungsi
optimasi maksimal
PSOparams, merupakan parameter inputan dari PSO
Pada optimasi dengan multi-objective function, fungsi objektif yang
digunakan adalah fungsi objektif gabungan. Masing-masing fungsi objektif dari
fungsi biaya pembangkitan dan rugi – rugi daya yang kemudian digabungkan
menggunakan formula tertentu.
24
3.6 Metode Optimasi Menggunakan Artificial Bee Colony
Mulai
Data sistem
standar
IEEE 14
bus
Perhitungan kondisi
aliran daya optimal
menggunakan Newton-
Raphson
Iterasi = 1
Fungsi Objektif
Gabungan
Inisialisasi parameter
ABC
Didapatkan nilai fitness
Meletakkan lebah pekerja ke
sumber makanan baru dengan
rumus
Didapatkan nilai fitness dan
dilakukan greedy selection
Menentukan populasi onlooker
berdasarkan nilai probabilitas
Menghtung probabilitas masing-
masing baris
Didapatkan nilai fitness dan
dilakukan greedy selection
Menghitung nilai error =
(fitnessmax – fitnessmin)
Nilai error <
toleransi
Membangkitkan solusi baru
pengganti sumber makanan
yang ditinggalkan
Iterasi = iterasi + 1
Kriteria
terpenuhi ?
(siklus MCN)
hasil
Akhir
Y
T
y
t
Gambar 3.5 Diagram Alir Optimasi Menggunakan Artificial Bee Colony dengan
Multi-objective Function
25
Berdasarkan diagram alir di atas, hal pertama yang dilakukan untuk
mengoptimasi aliran daya adalah menghitung nilai fitness dari sebuah sistem yang
akan dioptimasi. Peneliti menyelesaikan persamaan aliran daya menggunakan
metode Newton-Raphson.
Langkah selanjutnya yaitu dengan memasukkan parameter-parameter ABC
hingga mendapatkan fitness. Proses optimasi dijalankan dengan mengetikan
perintah: “[OUT] = ABC (FITNESSFCN, lb, ub, MaxFe, NumberFoods limit)”.
Parameter-parameter tersebut yaitu:
FITNESSFCN, merupakan nama fungsi yang akan dioptimasikan
lb, yang merupakan batas bawah
ub, yang merupakan batas atas
MaxFe, merupakan nilai iterasi maksimal
NumberFoods, merupakan jumlah populasi yang akan digunakan
limit, merupakan nilai batasan untuk mengeliminasi sumber makanan
Kemudian meletakkan lebah pekerja ke sumber makanan baru dengan
persamaan 2.22 untuk mendapatkan nilai fitness dan selanjutnya dilakukan greedy
selection. Langkah selanjutnya yaitu menghitung probabilitas dengan
menggunakan persamaan 2.23 untuk menentukan onlooker bee sehingga
didapatkan nilai fitness dan greedy selection. Proses berlanjut hingga ke scout bee
atau lebah pekerja yang meninggalkan sumber makanan dan mencari sumber
makanan baru. Proses ini diselesaikan dengan persamaan 2.24. Kemudian proses
berlanjut hingga mendapatkan hasil akhir.
Recommended