ECONOMIC DISPATCH MENGGUNAKAN QUANTUM-BEHAVED PARTICLE SWARM OPTIMIZATION (QPSO) PADA SISTEM TENAGA LISTRIK

Transkripsi

1 ECONOMIC DISPATCH MENGGUNAKAN QUANTUM-BEHAVED PARTICLE SWARM OPTIMIZATION (QPSO) PADA SISTEM TENAGA LISTRIK Sandy Febrian Pembimbing: Prof.Ir.Ontoseno Penangsang, M.Sc,Ph.D Prof.Dr.Ir.Adi Soeprijanto, MT

2 Latar Belakang Jumlah konsumsi energi listrik semakin besar. Perlunya pengontrolan biaya bahan bakar termurah.

3 Penanganan Permasalahan Perhitungan Economic Dispatch adalah pembagian daya yang harus dibangkitkan oleh generator dalam suatu sistem tenaga listrik sehingga dapat memenuhi kebutuhan beban dengan biaya minimum

4 Economic Dispatch(ED) ED yang digunakan adalah: Metode Lagrange Metode PSO

5 Economic Dispatch(ED) P P P i d L P d daya permintaan konsumen (Power demand) P L rugi trnsmisi yang terjadi pada jaring transmisi

6 Economic Dispatch(ED) Dengan persamaan fungsi biaya pembangkitan adalah: F i ( P ) a b P c P i i i i i i i i i i i i i Min F ( P ) Min ( a b P c P ) Juga batas an yang lain: P min P P Gi G Gi max

7 Kelemahan ED Lagrange dan PSO Pada metode Lagrange, merupakan metode konvensional dasar yang perhitunganya masih belum optimal. Pada metode PSO sudah optimal, namun tidak mencapai nilai global optima.

8 Solusi Dilakukan pengembangan metode Quantum-behaved Particle Swarm Optimization (QPSO) untuk Economic Dispatch

9 Konsep Lagrange START Input Data Pembuatan Matrix Y-bus Load flow menggunakan Newton- Raphson Tidak Menentukan loss coefficients Menghitung biaya pembangkitan total Menghitung optimisasi ED dari pembangkit dpslack > Ya Menampilkan solusi load flow Total biaya pembangkitan optimal STOP

10 Konsep Lagrange F total = F 1 +F +F 3 + +F n L N F i Pi i 1 Persamaan Lagrange: F t Constraint: 0 P P P N R L i i 1

11 Konsep Lagrange Dari persamaan constraint disubstitusikan ke persamaan lagrange Fi P i P P L 1 i Dari persamaan maka akan didapat nilai dari daya terbangkit setiap generator dengan memperhatikan nilai lambda.

12 Konsep Lagrange Start Menentukan λ awal F P 1 F 1 3 (R/MWh) (R/MWh) (R/MWh) P F P 3 Menghitung harga Pi Untuk i=i sampai N Hitung λ yang baru Menghitung N s = P beban - Iterasi Pertama Tidak Σ i=1 P i Ya P 1 (MW) P (MW) P 3 (MW) Tidak s < Toleransi P R = P 1 + P + P 3 Ya Hasil End

13 Konsep PSO PSO dikembangkan dengan berdasarkan pada model berikut: Ketika seekor burung mendekati target atau makanan (atau bisa mnimumatau maximum suatu fungsi tujuan) secara cepat mengirim informasikepada burung-burung yang lain dalam kawanan tertentu Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidaksecara langsung Ada komponen yang tergantung pada pikiran setiap burung, yaitu memorinya tentang apa yang sudah dilewati pada waktu sebelumnya.

14 Gambaran sederhana pencarian PSO C3(Pselfbest-P(k)) C(Pgroupbest-P(k)) P(k+1) Ct P(k) Pglobalbest P(k) Pselfbest

15 Konsep dasar PSO START Inisialisasi Current Position, Velocity Fungsi Objektif Update Personal Best Upate Global Best Update Weight Update Velocity Update Position Iterasi Max?? Tidak Ya STOP

16 Konsep QPSO Sama dengan PSO, hanya menggunakan konsep mekanika kuantum Mekanika kuantum merupakan pergerakan partikel pada lintasan yang ditentukan.

17 Konsep dasar QPSO START Inisialisasi Current Position Fungsi Objektif Update Personal Best Upate Mean Best Update Global Best Update Beta Update Position Iterasi Max?? Tidak Ya STOP

18 Konsep dasar QPSO Salah satu parameter adalah contractionexpansion coefficient. Parameter ini digunakan untuk mengatur kecepatan konvergensi dari partikel. iter max min ( t) max ( )* iter( t) max Nilai awal β max =1, dan β min = 0,4.

19 Parameter QPSO Dari parameter beta, Updating posisinya adalah: 1 Xid( t 1) Pid( t) ( t)*( mbestd( t) Xid( t))*ln( ), k 0.5 u 1 Xid( t 1) Pid( t) ( t)*( mbestd( t) Xid( t))*ln( ), k 0.5 u Pid( t) d( t)* pbestid( t) (1 d( t))* gbestd( t) d() t c1* r1d( t) ( c1* rid( t)) ( c* r d( t)) N 1 mbestd ( t) pbestid( t) N t 1

20 Parameter QPSO t = iterasi X id (t) = posisi dari partikel pada iterasi t Xid(t+1)= posisi dai partikel pada iterasi t+1 P id (t) = Local attractor dari partikel pada iterasi t C 1 = konstanta akselerasi 1 (konstanta kognitif) C = konstanta akselerasi (konstanta sosial) r 1d (t) dan 1 = Bilangan acak terdistribusi seragam antara 0 rd(t) dan 1 = Bilangan acak terdistribusi seragam antara 0 Pbest id (t) = posisi terbaik lokal partikel pada iterasi t Gbest id (t) = posisi terbaik global partikel pada iterasi t Mbest = mean best poistion

21 PENERAPAN QPSO UNTUK ECONOMIC DISPATCH

22 PENERAPAN QPSO UNTUK ECONOMIC DISPATCH Pada penerapan ini, nilai posisi partikel adalah nilai daya yang dibangkitkan di setiap generator dengan memperhatikan biaya termurah dan rugi-rugi. Parameter yang digunakan adalah β max =1, dan β min = 0,4. Nilai C1 dan C adalah

23 Simulasi Simulasi dilakukan pada IEEE 5 bus, 14 bus, dan 6 bus

24 Simulasi IEEE 5 bus Terdapat 5 bus, dengan 3 bus generator (bus 1 sebagai slack) Fungsi biaya tiap generator adalah: F 1 (Pg 1 ) = Pg Pg 1 F (Pg ) = ,3 Pg + 0,0090 Pg F 3 (Pg 3 ) = ,8 Pg 3 + 0,0070 Pg 3 Generator Daya minimum Daya maksimum (MW) (MW) Pg Pg Pg

25 Simulasi IEEE 5 bus Dengan Lagrange didapat: Generator Daya Output (MW) Pg1 3,649 Pg 69,518 Pg3 58,990 Total 15,157 Losses (MW),15434 Total Biaya ($/jam) 1596,96

26 Simulasi IEEE 5 bus Dengan PSO didapat: Generator Daya Output (MW) Biaya ($/jam) Pg1 30,77 4,97 Pg 65,90 634,9 Pg3 53,91 56,93 Total 150, ,19 Losses (MW) 0,58

27 Simulasi IEEE 5 bus Convergence of PSO Algorithm Graphic 1585 Fitness Function Iteration

28 Simulasi IEEE 5 bus Dengan QPSO didapat Generator Daya Output (MW) Biaya ($/jam) Pg1 31,33 47,18 Pg 67,48 646,14 Pg3 51,73 510,48 Total 150,54 158,77 Losses (MW) 0,54

29 Simulasi IEEE 5 bus 1585 Convergence of QPSO Algorithm Graphic Fitness Fumction iteration Terlihat pada grafik nilai konvergensi tercapai nilai biaya 158, 77

30 Simulasi IEEE 5 bus Generator Daya Output (MW) QPSO PSO Lagrange Pg1 31,33 30,77 3,649 Pg 67,48 65,90 69,518 Pg3 51,73 53,91 58,990 Total 150,54 150,58 15,157 Total Biaya ($/jam) 158, , ,96 Losses (MW) 0,54 0,58,15434

31 Simulasi IEEE 5 bus Dari hasil perbandingan, terlihat bahwa pada sistem IEEE 5 bus, metode QPSO memiliki harga pembangkitan termurah

32 Simulasi IEEE 14 bus Terdapat 14bus, dengan 5 bus generator (bus 1 sebagai slack) Fungsi biaya tiap generator adalah: F 1 (Pg 1 ) = 0 + Pg 1 + 0,00375 Pg 1 F (Pg ) = 0 + 1,75 Pg + 0,01750 Pg F 3 (Pg 3 ) = Pg 3 + 0,0650 Pg 3 F 4 (Pg 6 ) = 0 + 3,5 Pg 6 + 0,00834 Pg 6 F 5 (Pg 8 ) = Pg 8 + 0,0500 Pg 8 Generator Daya min (MW) Daya maks(mw) Pg Pg Pg Pg Pg

33 Simulasi IEEE 14 bus 635. Convergence of QPSO Algorithm Graphic Fitness Fumction iteration

34 Simulasi IEEE 14 bus Generator Daya Output (MW) QPSO PSO Lagrange Pg1 163,91 155,95 160,938 Pg 40,47 43,4 44,79 Pg3 15,49 1,80 19,854 Pg4 1,9 10,09 10,0 Pg5 10,0 1,37 10,0 Total 4,98 43,45 45,583 Total Biaya ($/jam) 634,81 637,58 64,84 Losses (MW) 3,98 4,45 6,589

35 Simulasi IEEE 6 bus Terdapat 6 bus, dengan 6 bus generator (bus 1 sebagai slack) Fungsi biaya tiap generator adalah: F 1 (Pg 1 ) = Pg Pg 1 F (Pg ) = Pg + 0,0095 Pg F 3 (Pg 3 ) = 0 + 8,5 Pg 3 + 0,0090 Pg 3 F 4 (Pg 4 ) = Pg 4 + 0,0090 Pg 4 F 5 (Pg 5 ) = ,5 Pg 5 + 0,0080 Pg 5 F 6 (P g6 ) = Pg 6 + 0,0075 Pg 6 Generator Daya min (MW) Daya maks(mw) Pg Pg Pg Pg Pg Pg

36 Simulasi IEEE 6 bus x 104 Convergence of QPSO Algorithm Graphic Fitness Fumction iteration

37 Simulasi IEEE 6 bus Generator Daya Output (MW) QPSO PSO Lagrange Pg1 447,89 468,90 447,6919 Pg 171,95 154,63 173,1938 Pg3 65,1 45,56 63,4859 Pg4 17,18 16,33 138,814 Pg5 174,40 191,74 165,5884 Pg6 85, 88,15 87,060 Total 171, , Total Biaya ($/jam) , , Losses (MW) 8,84 1,

38 Kesimpulan 1. Hasil optimisasi ED menggunakan QPSO lebih unggul dibandingkan metode konvensional seperti Lagrange karena menghasilkan biaya pembangkitan daya yang lebih murah pada sistem yang berbeda. Biaya pembangkitan yang dihemat optimisasi ED- QPSO pada sistem IEEE 5 sebesar 14,19 $/jam. Biaya pembangkitan yang dihemat dari optimisasi ED-ICA pada sistem IEEE 14 bus adalah 8,03 $/jam. Biaya Pembangkitan pada sistem IEEE 30 bus mampu menghemat biaya pembangkitan sebesar 54,9 $/jam. Perbandingan hasil dari optimisasi menunjukkan bahwa hasil optimisasi menggunakan QPSO lebih optimal daripada menggunakan PSO dalam memperoleh biaya termurah.

39 Daftar Pustaka 1. M.A.Abido, A Novel Multiobjective evolutionary alghorithm for enviromental/economic power dispatch, Electrical Engineering Department, King Fahd University of Petroleum and Minerals, Dhahran 3161, Saudi Arabia, November 00.. J. Wood Allen and F.Wollemberg Bruce. Power Generation, Operation an Control. nd ed, Jizhong Zhu, Optimization of Power System Operation, A. John Willey & Sons, Inc, Hoboken, New Jersey, S.N. Omkar, R. Khandelwai, T.V.S. Ananth, G. Narayana Naik, S. Gopalakrishnan, Quantun behaved Particle Swarm Optimization (QPSO) for multi-objective design optimization of composite structures, Elsevier Expert Systems with Applications, 36, pp , Maolong Xi, Jun Sun, Wenbo Xu, An improved quantumbehaved particle swarm optimization algorithm with weighted mean best position, Elsevier Applied Mathematics and Computation, 05, pp , 008.

40 Daftar Pustaka 6. Alfarizy Frizky, Penempatan Optimal Thyristor Controlled Series Capacitor (Tcsc) dan Static Var Compensator (Svc) Menggunakan Quantum Behaved Particle Swarm Optimization (Qpso) untuk Pembebanan Maksimum S1-Tugas Akhir, Teknik Elektro., Institut Teknologi Sepuluh Nopember, Surabaya, Yang Shuyuan, Min Wang, Licheng Jiao, A Quantum Particle Swarm Optimization, Univesitas Xidian,, Xi'an-Shannxi, China, Douglas J. Gotham and G.T. Heydt, Power Flow Control and Power Flow Studies for Systems With FACTS Devices, IEEE Tanssaction on Power System, Vol 13, No. 1, Februari E.J. Oliveira, J. W. Marangon Lima, K.C. Almeida, Allocation of FACTS Devices in Hydrotermal Systems, IEEE Transaction on Power Systems Vol. 15, No. 1 February John J. Paserba, Gregory FR, M. Takeda, T. Arutsuka, FACTS and Custom Power Equipment for The Enchancement of Power Transmission System Performance and Power Quality, Symposium of Specialists in Electric Operational and Expansion Planning (VII SEPOPE), Brazil, Refi A. Krisida, "Optimisasi Pengaturan Daya Reaktif dan Tegangan pada Sistem Interkoneksi Jawa Bali 500kV menggunakan Quantum behaved Particle Swarm Optimization" S1-Tugas Akhir, Teknik Elektro., Institut Teknologi Sepuluh Nopember, Surabaya, S.N. Omkar, R. Khandelwai, T.V.S. Ananth, G. Narayana Naik, S. Gopalakrishnan, Quantun behaved Particle Swarm Optimization (QPSO) for multi-objective design optimization of composite structures, Elsevier Expert Systems with Applications, 36, pp , 009.

41 Terima Kasih