MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING

Transkripsi

1 Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: Yogyakarta, 0 Jun 009 MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING Mackel Tuegeh 1, Soeprjanto, Maurdh H Purnomo 3 1 Jurusan Teknk Elektro Unverstas Sam Ratulang Manado, Sulawes Utara Jurusan Teknk Elektro ITS, Surabaya Jurusan Teknk Elektro ITS, Surabaya E-mal: m_tuegeh@elect-eng.its.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 modfed mproved Partcle Swarm Optmzaton (MIPSO). 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, MIPSO. 1. PENGANTAR Suatu sstem tenaga lstrk memlk tujuan untuk membangktkan kemudan menyalurkan serta memanfaatkan energ lstrk yang terbangkt tersebut. Suatu sstem tenaga lstrk berdasarkan batasannya pada suatu sstem yang lengkap secara umum mengandung empat unsur, yatu: a. Unsur pembangkt tenaga lstrk b. Sstem transms c. Saluran dstrbus d. Unsur pemakaan atas utltas, yang terdr atas nstalas pemakaan tenaga lstrk. 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. Sstem tenaga lstrk dengan banyak jens pembangkt yang ada merupakan suatu kelebhan, tap hal tersebut menyebabkan semakn kompleks permasalahan yang ada. Dengan karakterstk yang berbeda-beda maka pengoperasan suatu generator pada pembangkt harus optmal untuk melayan kebutuhan beban yang ada sehngga baya operas dapat dtekan. 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. Dalam peneltan n, metoda PSO dgunakan untuk mneyelesakan optmal generator schedulng dan memberkan hasl dengan performa yang bak.. 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. 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, partclepartcle 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 F-85

2 Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: Yogyakarta, 0 Jun 009 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. Kesederhanaan algortma dan performansnya yang bak, menjadkan PSO telah menark banyak perhatan d kalangan para penelt dan telah daplkaskan dalam berbaga persoalan optmsas sstem tenaga sepert economc dspatch, desgn kontrol PID pada sstem AVR, kontrol tegangan dan daya reaktf, unt commtment dan lan sebaganya. PSO telah populer menjad optmsas global dengan sebagan besar permasalahan dapat dselesakan dengan bak d mana varabelvarabelnya adalah blangan rl. Beberapa stlah umum yang basa dgunakan dalam Optmsas Partcle Swarm dapat ddefnskan sebaga berkut : 1. Swarm : populas dar suatu algortma.. Partcle: anggota (ndvdu) pada suatu swarm. Setap partcle merepresentaskan suatu solus yang potensal pada permasalahan yang dselesakan. Poss dar suatu partcle adalah dtentukan oleh representas solus saat tu. 3. Pbest (Personal best): poss Pbest suatu partcle yang menunjukkan poss partcle yang dpersapkan untuk mendapatkan suatu solus yang terbak. 4. Gbest (Global best) : poss terbak partcle pada swarm. 5. Velocty (vektor): vektor yang menggerakkan proses optmsas yang menentukan arah d mana suatu partcle dperlukan untuk berpndah (move) untuk memperbak possnya semula. 6. Inerta weght : nerta weght d smbolkan w, parameter n dgunakan untuk mengontrol dampak dar adanya velocty yang dberkan oleh suatu partcle. 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. Sepert halnya dengan algortma evolusoner yang lan, algortma PSO adalah sebuah populas yang ddasarkan penelusuran nsalsas partcle secara random dan adanya nteraks dantara partcle dalam populas. D dalam PSO setap partcle bergerak melalu ruang solus dan mempunya kemampuan untuk mengngat poss terbak sebelumnya dan dapat bertahan dar generas ke generas.. Ukuran Swarm Ukuran swarm atau populas yang dplh adalah tergantung pada persoalan yang dhadap. Ukuran swarm yang umum dgunakan berksar antara 0 sampa 50. Hal tersebut telah dpelajar sejak dahulu bahwa PSO hanya perlu ukuran swarm atau populas yang lebh kecl dbandng algortma-algortma evolusner yang lan untuk mendapatkan solussolus terbak..3 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..4 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 : Vd = wvd + c1rand 1( Pd X d ) + crand ( Pgd X d ) (1) dan X = X + V () d d d F-86

3 Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: Yogyakarta, 0 Jun 009 Persamaan (1) sama dengan persamaan () 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 (3) Itermax Dengan : w = Weght awal dan akhr max w mn Iter max = jumlah teras maksmum Iter = jumlah teras yang ada Inerta weght yang besar dapat memudahkan dalam penelusuran global sedangkan nerta weght yang kecl memudahkan untuk penelusuran local. Penggunaan nerta weght dapat menngkatkan performans dalam beberapa aplkas, beberapa peneltan menunjukkan bahwa ketka menggunakan nerta weght faktor velocty maksmum dapat menjad sederhana yang dset dengan nla pada rentang dnams dar setap varable basanya antara 0.4 sampa 0.9. 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. Persamaan menggambarkan velocty dan poss partcle yang dmodfkas dengan parameter nerta weght..5 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 (1)-(3) 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 persamaanpersamaan tu telah dkembangkan dengan poss terbak dengan Pbest dan Gbest, meskpun dapat berubah selama penelusuran d dalam persamaan dasar PSO. 3. BIAYA PEMBANGKITAN 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. Beberapa komponen baya yang terkat dengan optmsas pembangkt adalah, antara lan: a. Baya Tetap b. Baya Bahan Bakar c. Baya Star-Up d. Baya Produks e. Bayan Daya Cadangan F-87

4 Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: Yogyakarta, 0 Jun 009 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. 3.1 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 (4) 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 α β, dan, γ membutuhkan data yang berhubungan dengan nput bahan bakar H dan output pembangkt P. Output lstrk dar sstem pembangkt termal selan dsalurkan melalu jarngan transms pada suatu sstem tenaga lstrk juga dgunakan pada sstem tenaga bantu (auxlary power system) pada suatu pusat pembangkt. Unt turbn uap membutuhkan -6 % dar output kotor untuk tenaga penggerak turbn (boler), pompa, kpas, lampu dan sebaganya. Untuk menggambarkan karakterstk nputoutput, nput kotor drepresentaskan sebaga nput total yang dukur dalam rupah per jam dan output bersh pada suatu plant adalah output daya lstrk dalam MW yang dsedakan oleh sstem pembangkt tenaga lstrk. 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). 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.8 menunjukkan karakterstk nput-output untuk pembangkt tenaga ar dengan head tetap. acre ft h Input Q Gambar. Karakterstk nput-output unt pembangkt hdro 3. 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 Gambar 1. Karakterstk Input-Output unt pembangkt termal (deal) F-88

5 Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: Yogyakarta, 0 Jun 009 menyelesakan persoalan economc dspatch. MIPSO memberkan suatu strateg baru untuk menemukan solus global yang lebh bak. Gambar 3. Batas Pembebanan Suatu Unt Pembangkt Ratng pembebanan suatu unt pembangkt termal dambl pada daerah karakterstk heat rate hampr datar, dmana heat rate berharga mnmum dan efsens optmum yang berksar antara 80-90%. Daerah pemebebanan n telah memberkan efsens yang cukup tngg dengan heat rate yang rendah sehngga dtnjau dar seg ekonomsnya menguntungkan. 4. FLOWCHART ALGORITMA YANG DIUSULKAN 5. HASIL Hasl perhtungan daplkaskan pada dua contoh dengan menggunakan algortma yang dusulkan dan untuk membandngkan keakuratan hasl maka dbandngkan dengan perhtungan menggunakan metode Iteras Lambda. Data yang dpaka adalah persamaan karakterstk dar nput-output pembangkt, nla maksmum dan mnmum dar generator dan baya bahan bakar. a. Contoh pertama, dambl dalam Exp. 3.7 page 8 n Power Generaton,Operaton and Control by Allen J Wood Unt Unt data n (M W) P P 1 Max (MW) Fuel Cost ($/MBtu) P P P P Tabel 1. Data contoh pertama Dengan menggunakan algortma yang dusulkan maka dperoleh hasl: No Generator MIPSO Load (MW) Unt Unt Unt Total Load (MW) 450 Total cost (Rp. / Hour) Tabel. Hasl dar contoh pertama dengan MIPSO Gambar 5 Flowchart Algortma yang dusulkan Pendekatan algortma Modfed Improved Partcle Swarm Optmzaton (MIPSO) yang dusulkan akan dmplementaskan untuk Dengan menggunakan metode teras lambda maka dperoleh hasl: F-89

6 Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: Yogyakarta, 0 Jun 009 No Generator Iteras lambda Tabel 3. Hasl dar contoh pertama dengan Iteras Lambda b. Contoh kedua, sstem kelstrkan dengan 5 unt termal dan total load 8 MW Unt Unt data Load (MW) Unt Unt Unt Total Load (MW) 450 Total cost (Rp. / Hour) P P P P P P P P P P 5 M n ( M W ) Tabel 4 Data contoh kedua Ma x (M W) Fue lco st (R/l ter) No Generaton MIPSO Load (MW) 8 1 Unt Unt Unt Unt Unt Total load (MW) 8 Total cost (Rp. / Hour) ,47 Tabel 5 Hasl dar contoh kedua dengan MIPSO No Generaton Iteras Lambda Load (MW) 8 1 Unt 1 9. Unt Unt Unt Unt Total load (MW) 8 Total cost (Rp. / Hour) ,11 Tabel 6 Hasl dar contoh dengan Iteras Lambda 6. KESIMPULAN 1. Dalam tulsan n masalah Optmal Generator Schedulng dapat dselesakan dengan menggunakan MIPSO. Perhtungan telah daplkaskan dalam dua sstem dan dua metode 3. Menggunakan MIPSO memperoleh hasl yang lebh bak dar metode teras Lambda. PUSTAKA Wood 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 F-90