OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION

Transkripsi

1 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me 009 OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Mackel Tuegeh 1, Ad Soeprjanto, Maurdh Hery P 3 1 Jurusan Teknk Elektro ITS, Surabaya 60111, Jurusan Teknk Elektro UNSRAT Manado. Jurusan Teknk Elektro ITS, Surabaya Jurusan Teknk Elektro ITS, Surabaya emal: m_tuegeh@yahoo.co.d, m_tuegeh@elect-eng.ts.ac.d, adsup@ee.ts.ac.d, hery@ee.ts.ac.d Abstrak Generator schedulng merupakan bagan pentng dalam pengoperasan sstem tenaga lstrk. Tdak ada penjadwalan yang bak dapat menyebabkan baya yang sangat besar dalam proses pengoperasan terutama pada ss pembangktan, juga dapat menyebabkan tdak ada koordnas dalam menyalurkan tenaga lstrk. Optmas penjadwalan dar generator dperoleh dengan kecerdasan buatan dantaranya menggunakan teknk Partcle Swarm Optmzaton (PSO). Hasl smulas menunjukkan bahwa metode yang dgunakan memberkan performa yang sangat bak dan hasl n juga dbandngkan dengan metoda teras lamda untuk melhat keakuratan dar hasl yang ddapat. Metode n daplkaskan pada dua contoh sstem dan dselesakan dengan menggunakan Matlab. Kata kunc : Optmal Generator Schedulng, PSO. 1. PENDAHULUAN Semakn berkembangnya jumlah penduduk menyebabkan penyebaran penduduk yang semakn luas. Hal n juga berdampak pada kebutuhan akan energ lstrk yang semakn har makn menngkat dan juga tersebar luas. Kebutuhan akan lstrk yang sangat besar tdak dapat dpenuh oleh satu atau dua unt pembangkt tap harus dpenuh oleh beberapa unt pembangkt pada beberapa daerah dan tersebar luas. Pengoptmalan generator schedulng dalam sstem tenaga lstrk sangat dperlukan, karena proses pembangktan dan penyaluran dalam sstem tenaga lstrk memerlukan baya yang sangat besar. Koordnas antar pembangktan dperlukan dalam upaya melakukan optmal generator schedulng untuk memperoleh baya yang mnmum. Teknk solus dalam masalah optmsas dapat menggunakan kecerdasan buatan. Salah satu teknk solus masalah optmsas dalam kecerdasan buatan menggunakan teknk Partcle Swarm Optmzaton (PSO). Kelebhan utama algortma PSO adalah mempunya konsep sederhana, mudah dmplementaskan, dan efsen dalam perhtungan jka dbandngkan dengan algortma matematka dan teknk optmsas heurstk lannya. Optmal generator schedulng berbass Partcle Swarm Optmzaton (PSO) merupakan peneltan yang dlakukan untuk mendapatkan optmal generator schedulng suatu sstem dengan memperoleh baya yang mnmum. Hasl smulas menunjukkan bahwa metode yang dgunakan memberkan performa yang sangat bak dan hasl n juga dbandngkan dengan metoda teras lamda untuk melhat keakuratan dar hasl yang ddapat. Metode n daplkaskan pada dua contoh sstem dan dselesakan dengan menggunakan Matlab.. TINJAUAN PUSTAKA.1. Baya Pembangktan Masalah economc dspatch adalah pembagan pembebanan pada setap unt pembangkt sehngga dperoleh kombnas unt pembangkt yang dapat memenuh kebutuhan beban dengan baya yang optmum atau dengan kata lan untuk mencar nla optmum dar output daya dar kombnas unt pembangkt yang bertujuan untuk memnmalkan total baya pembangktan. Baya operas dar suatu sstem tenaga lstrk merupakan baya terbesar dalam pengoperasan suatu perusahaan lstrk. Baya yang dkeluarkan oleh suatu perusahaan lstrk untuk menghaslkan energ lstrk dalam suatu sstem tenaga lstrk dtentukan oleh baya nvestas dan baya operas atau baya produks. Besar baya nvestas tdak bergantung pada besar daya keluaran pembangkt tetap bergantung pada besar kapastas daya terpasang pembangkt. Baya nvestas melput baya pembangunan pusat pembangkt, jarngan transms dan dstrbus serta peralatan sstem lannya, sedangkan baya operas atau baya produks merupakan semua baya yang dkeluarkan dalam pengoperasan suatu pembangkt. Untuk sstem yang sudah ada (telah beroperas) baya nvestas telah tertentu besarnya. Memnmumkan baya operas pembangktan adalah merupakan optmsas, sehngga optmsas pembangktan dapat ddefenskan sebaga suatu proses pembangktan yang bertujuan untuk mengoptmalkan daya dan memnmumkan baya pembangktan. A-5

2 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me Karakterstk Input-Output Pembangkt Karakterstk nput output pembangkt termal adalah karakterstk yang menggambarkan hubungan antara nput bahan bakar (lter/jam) dan output yang dhaslkan oleh pembangkt (MW). Pada umumnya karakterstk nput output pembangkt termal ddekat dengan fungs polnomal orde dua yatu : H = α + β P + γ P (1) dengan : H = Input bahan bakar pembangkt termal ke- (lter/jam) P = Output pembangkt termal ke- (MW) α, β, γ = Konstanta nput-output pembangkt termal ke-. Penentuan parameter β, membutuhkan data yang berhubungan dengan nput bahan bakar, α dan γ P. H dan output pembangkt Gambar 1 adalah karakterstk nput-output unt pembangkt termal dapat dnyatakan sebaga berkut : 1. Input dar pembangkt dnyatakan dalam H = Mbtu/jam (energ panas yang dbutuhkan), atau F = R/jam (total baya bahan bakar). Output dar pembangkt dnyatakan dalam P = MW (daya). Input H(Mbtu/jam atau F(R/jam) H atau F Pmn P Pmax Output, P(MW) Gambar 1 Karakterstk Input-Output unt pembangkt termal (deal) Data karakterstk nput-output basanya dperoleh dar hasl perhtungan desan atau dar hasl pengukuran. Jka data yang dgunakan adalah data dar hasl pengukuran maka akan dperoleh kurva yang tdak kontnyu (smooth). Unt pembangkt termal mempunya batas krts operas mnmum dan maksmum, batas beban mnmum umumnya dsebabkan oleh kestablan pembakaran dan masalah desan generator, sebaga contoh beberapa unt pembangkt termal tdak dapat beroperas d bawah 30 % dar kapastas desan. Unt pembangkt hdro mempunya karakterstk nput-output yang mrp dengan unt pembangkt termal. Karakterstk nput-output pembangkt hdro menggambarkan hubungan antara nput penggerak mula, berupa volume ar yang dalrkan dantara sudu-sudu turbn persatuan waktu dan outputnya adalah daya lstrk dar generator dalam MW. Gambar menunjukkan karakterstk nput-output untuk pembangkt tenaga ar dengan head tetap. Head : 400 ft Output P(MW) Gambar Karakterstk nput-output unt pembangkt hdro A-6

3 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me Batas Pembebanan Ekonoms Pembangkt Termal. Umumnya mesn pembangkt tenaga lstrk mempunya batas pembebanan yang dbatas oleh kapastas ekonoms mnmum dan kapastas ekonoms maksmum dan juga keterbatasan kerja komponen-komponen mesn, sehngga dalam pembebanan pembangkt termal harus dperhatkan karakterstk efsens dan karakterstk kenakan panas tap unt pembangkt termal sepert pada Gambar 3 n(%), (Mbtu/ MWh) Heat Rate Efsens P mn P max MW Gambar 3 Batas Pembebanan Suatu Unt Pembangkt. PARTICLE SWARM OPTIMIZATION (PSO)..1 Dasar PSO Algortma Partcle Swarm Optmzaton (PSO) dperkenalkan oleh Kennedy dan Eberhart pada tahun 1995, proses algortmanya dnspras oleh perlaku sosal dar bnatang, sepert sekumpulan burung dalam suatu swarm. Partcle Swarm Optmzaton (PSO) adalah salah satu dar teknk komputas evolusoner, yang mana populas pada PSO ddasarkan pada penelusuran algortma dan dawal dengan suatu populas yang random yang dsebut dengan partcle. Masalah optmal generator schedulng sudah serng dtelt, contoh peneltan yang telah dlakukan yatu Generaton mantenance schedulng n restructured power sstem oleh Antono J. Conejo, dan kawan-kawan tahun 004, dan Securty-constraned optmal generaton schedulng n large-scale power sstem oleh Jorge Martínez-Crespo, dan kawan-kawan tahun 006. Berbeda dengan teknk komputas evolusoner lannya, setap partcle d dalam PSO juga berhubungan dengan suatu velocty. Partcle-partcle tersebut bergerak melalu penelusuran ruang dengan velocty yang dnams yang dsesuakan menurut perlaku hstorsnya. Oleh karena tu, partcle-partcle mempunya kecenderungan untuk bergerak ke area penelusuran yang lebh bak setelah melewat proses penelusuran. Partcle Swarm Optmzaton (PSO) mempunya kesamaan dengan genetc algorthm yang mana dmula dengan suatu populas yang random dalam bentuk matrks. Namun PSO tdak memlk operator evolus yatu crossover dan mutas sepert yang ada pada genetc algorthm. Bars pada matrks dsebut partcle atau dalam genetc algorthm sebaga kromosom yang terdr dar nla suatu varable. Setap partcle berpndah dar possnya semula ke poss yang lebh bak dengan suatu velocty. Pada algortma PSO vektor velocty dupdate untuk masng-masng partcle kemudan menjumlahkan vektor velocty tersebut ke poss partcle. Update velocty dpengaruh oleh kedua solus yatu global best yang berhubungan dengan baya yang palng rendah yang pernah dperoleh dar suatu partcle dan solus local best yang berhubungan dengan baya yang palng rendah pada populas awal. Jka solus local best mempunya suatu baya yang kurang dar baya solus global yang ada, maka solus local best menggantkan solus global best. Prosedur standar untuk menerapkan algortma PSO adalah sebaga berkut : 1. Insalsas populas dar partcle-partcle dengan poss dan velocty secara random dalam suatu ruang dmens penelusuran.. Evaluas fungs ftness optmsas yang dngnkan d dalam varabel d pada setap partcle. 3. Membandngkan evaluas ftness partcle dengan Pbestnya. Jka nla yang ada lebh bak dbandngkan dengan nla Pbestnya, maka Pbest dset sama dengan nla tersebut dan P sama dengan lokas partcle yang ada X dalam ruang dmensonal d. 4. Identfkas partcle dalam lngkungan dengan hasl terbak sejauh n. 5. Update velocty dan poss partcle. 6. Kembal ke step sampa krtera terpenuh, basanya berhent pada nla ftness yang cukup bak atau sampa pada jumlah maksmum teras... Koofsen Akseleras Pada umumnya nla-nla untuk koefsen akseleras c 1 dan c =.0. Namun demkan, nla koefsen akseleras tersebut dapat dtentukan sendr yang dgunakan d dalam peneltan yang berbeda, basanya nla c 1 dan c adalah sama dan berada pada rentang antara 0 sampa 4. A-7

4 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me Inerta Weght Perubahan velocty pada algortma PSO terdr atas tga bagan yatu sosal part, cogntve part dan momentum part. Ketga bagan tersebut menentukan kesembangan antara kemampuan penelusuran global dan local, oleh karena tu dapat memberkan performans yang bak pada PSO. Parameter nerta weght dgabungkan dengan sosal part d dalam algortma PSO stándar. Persamaan dnams dar PSO dengan nerta weght (w) dmodfkas menjad : V = wv + c rand P X ) + c rand ( P X ) () dan d d d X X + V d 1 1( d d gd d = (3) d Persamaan () sama dengan persamaan (3) kecual ada penambahan parameter baru yatu nerta weght (w). Inerta weght dperkenalkan untuk kesembangan antara kemampuan penelusuran global dan local. Secara umum parameter nerta weght (w) dperoleh dengan menggunakan persamaan berkut : wmax wmn w= wmax Iter (4) Itermax Dengan : w = Weght awal dan akhr max w mn Iter = jumlah teras maksmum Iter max = jumlah teras yang ada Konsep nerta weght (w) dkembangkan oleh Sh dan Eberhart pada tahun 1998 menjad suatu parameter kontrol yang bak dar lngkup penelusurun yang dmotvas kengnan untuk mengurang Vmax...4 Constrcton Factor Parameter lan yang dkenal ddalam algortma PSO adalah constrcton factor, parameter n dperkenalkan oleh Clerc dengan tujuan dapat menjamn suatu penelusuran dalam algortma PSO untuk konvergen lebh cepat. Coefsent constrcton yang palng sederhana basa dsebut oleh Clerc sebaga type 1 yang memerlukan aplkas dar koefsen untuk kedua bentuk persamaan velocty. Pada umumnya penelt menerapkan metode constrcton dengan menetapkan nla φ= 4.1 maka nla-nla untuk c 1 dan c dset sama dengan.05 sehngga nla C = Dengan metode constrcton n mengakbatkan konvergens dapat terjad dar waktu ke waktu dmana lntasan oslas ampltudo semakn berkurang...6 Modfed Improved Partcle Swarm Optmzaton (MIPSO) Persamaan ()-(4) adalah persamaan dasar algortma PSO yang dmodfkas dengan menggunakan Inerta Wegth Aproach (IWA). Inerta wegth dperkenalkan untuk menyembangkan kemampuan antara penelusuran global dan lokal. Clerc memperkanalkan parameter lan yang dsebut dengan Constrcton Factor Approach (CFA) yang dgunakan untuk memodfkas algortma IPSO yang ada yang dsebut dengan Modfed Improved Partcle Swarm Optmzaton (MIPSO). Parameter n dapat memberkan performans yang lebh bak pada algortma MIPSO. Pada umumnya penelt menerapkan constrcton factor pada algortma PSO dengan mengeset nla c 1 dan c =.05 sehngga dperoleh nla C = Secara aljabar nla n equvalen dengan menggunakan nerta weght ketka w=0.79 dan c 1 =c = , semakn besar nla φ maka C menjad semakn kecl dan efek peredaman menjad lebh bak. Karakterstk konvergens dan perlaku pada sstem dapat dkontrol oleh φ. Berbeda dengan metode evolutonary komputas (EC) yang lan, CFA pada algortma MIPSO dpastkan konvergen pada penelusuran yang ddasarkan pada teor matematka. Algortma MIPSO dengan Constrctton Factor Approach (CFA) dapat menghaslkan solus yang bak dbandngkan dengan algortma IPSO yang menggunakan Inerta Weght Approach (IWA), meskpun CFA hanya memperhtungkan perlaku dnamk dar partcle atau agent dan pengaruh dar nteraks antara partcle-partcle, dmana persamaan-persamaan tu telah dkembangkan dengan poss terbak dengan Pbest dan Gbest, meskpun dapat berubah selama penelusuran d dalam persamaan dasar PSO 3. METODE PENELITIAN 3.1 Pengumpulan Data Data yang dgunakan dalam peneltan n terdr dar dua contoh, pertama dambl dalam Exp. 3.7 page 8 n Power Generaton,Operaton and Control by Allen J Wood dan yang kedua dperoleh dar PT. PLN (Persero) APB Sulawes Selatan. Adapun data-data tersebut adalah data kapastas pembangkt termal sstem Sulsel, data nput-output pembangkt termal, data pembebanan maksmum dan mnmum pembangkt. A-8

5 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me 009 Tabel 1 Data contoh pertama Unt Unt data Mn (MW) Max (MW) Fuel Cost ($/MBtu) P P P P P P Tabel Data contoh kedua Unt Unt data Mn (MW) Max (MW) FuelCost (R/lter) P P P P P P P P P P Perancangan Sstem 3..1 Flow chart dengan metode teras lambda. Star Set λ Calculate P For =1 N Calculate ε N = Pload = 1 P Frst Iteraton? No ε <Tolerance No Project λ Yes Yes Prnt Scedule Gambar 4 Flow chart dengan metode teras lambda pada economc dspatch. A-9 End

6 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me Flowchart Algortma MIPSO yang dusulkan Star Intalsas Parameter Intalsas Poss Indvdu Secara Acak Intalsas Velocty Indvdu Secara Acak Evaluas Fungs Obyektf pada Indvdu Update Velocty Indvdu, k 1 V + Update Poss Indvdu, k 1 X + Update Pbest dan Gbest Tdak Stoppng Crtera Ya Output/Hasl Stop Gambar 5 Flowchart Algortma MIPSO yang dusulkan A-30

7 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me HASIL DAN PEMBAHASAN Smulas menggunakan perangkat lunak MATLAB dpeoleh hasl : Tabel 3 (a) Hasl dar contoh pertama dengan PSO, (b) hasl dar contoh pertama dengan Iteras Lambda No Generator PSO Load (MW) Unt Unt Unt No Generator Load (MW) Unt Unt Unt Total Load (MW) 450 Total cost (Rp. / Hour) Iteras lambda Total Load (MW) 450 Total cost (Rp. / Hour) (a) (b) Tabel 4 (a) Hasl dar contoh kedua dengan PSO, (b) hasl dar contoh kedua dengan Iteras Lambda No Generaton PSO No Generaton Iteras Lambda Load (MW) 8 1 Unt Unt Unt Unt Unt Load (MW) 8 1 Unt 1 9. Unt Unt Unt Unt Total load (MW) 8 Total load (MW) 8 Total cost (Rp. / Hour) ,47 Total cost (Rp. / Hour) ,11 (a) (a) (b) 5. KESIMPULAN 1. Dalam tulsan n masalah Optmal Generator Schedulng dapat dselesakan dengan menggunakan MIPSO. Perhtungan telah daplkaskan dalam dua sstem dan dua metode. Hasl smulas yang dlakukan pada contoh pertama dan kedua menggunakan metode Modfed Improved Partcle Swarm Optmzaton (MIPSO) memberkan performans yang lebh bak dbandngkan dengan metode teras lambda. Total baya bahan bakar yang dperoleh pada contoh pertama metode MIPSO sebesar Rp per jam sedangkan dengan metode teras lambda sebesar Rp per jam, untuk contoh kedua dengan A-31

8 Semnar Nasonal Informatka 009 (semnasif 009) ISSN: UPN Veteran Yogyakarta, 3 Me 009 metode MIPSO sebesar Rp ,47 per jam sedangkan dengan metode teras lambda sebesar Rp ,11 per jam. 7. DAFTAR PUSTAKA Allen J, Wollenberg Bruce F, (1996), Power Generaton, Operatonal, and Control, Second Edton, Jhon Wley & Sons, Inc Kundur Praba (1993) Power Sstem Stablty And Control McGraw-Hll Shahdehpour Mohammad, Wang Yaoyu, (003) Communcaton And Control In Electrc Power Sstem Jhon Wley & Sons, Inc Saadat Had (004) Power Sstem Analyss Internatonal Edton, McGraw-Hll James Kennedy and Russell C. Eberhart, wth Yuhu Sh (001) Swarm Intellgence Morgan Kaufmann Publshers Clerc Maurce (006) Partcle Swarm Optmzaton ISTE, Ltd Pablo E. Oñate Yumbla, Juan M. Ramrez and Carlos A. Coello Coello (Feb 008) Optmal Power Flow Subject to Securty Constrants Solved Wth a Partcle Swarm Optmzer IEEE Transactons on Power Systems, vol. 3, no. 1 And Syarfuddn, 008, Economc Dspatch For Thermal Generator In Sulawes Selatan System Usng Modfed Improved Partcle Swarm Optmzaton ITS Surabaya A-3