OPTIMASI REKONFIGURASI JARINGAN PADA KONDISI BEBAN YANG BERUBAH TERHADAP WAKTU MENGGUNAKAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION

Transkripsi

1 TESIS TE OPTIMASI REKONFIGURASI JARINGAN PADA KONDISI BEBAN YANG BERUBAH TERHADAP WAKTU MENGGUNAKAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION YOAKIM SIMAMORA DOSEN PEMBIMBING Prof. Ir. Ontoseno Penangsang, M.Sc., Ph.D. Dr. Rony Seto Wibowo, S.T., M.T. PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM TENAGA JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 217 1

2 TESIS TE OPTIMISASI REKONFIGURASI JARINGAN PADA KONDISI BEBAN YANG BERUBAH TERHADAP WAKTU MENGGUNAKAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION Yoakim Simamora DOSEN PEMBIMBING Prof. Ir. Ontoseno Penangsang, M.Sc, Ph.D. Dr. Rony Seto Wibowo, S.T., M.T. PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM TENAGA JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 217

3 TESIS TE OPTIMAL DISTRIBUTION NETWORK RECONFIGURATION CONSIDERING TIME VARYING LOAD USING BINARY PARTICLE SWARM OPTIMIZATION Yoakim Simamora ADVISOR Prof. Ir. Ontoseno Penangsang, M.Sc, Ph.D. Dr. Rony Seto Wibowo, S.T., M.T. MAGISTER PROGRAM POWER SYSTEM ENGINEERING ELECTRICAL ENGINEERING DEPARTMENT FACULTY OF INDUSTRIAL TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 217

4 Scanned by CamScanner

5 SURAT PERNYATAAN KEASLIAN TESIS Saya yang bertandatangan di bawah ini : Nama : Yoakim Simamora Program Studi : Teknik Sistem Tenaga NRP : Dengan ini menyatakan bahwa isi dari keseluruhan tesis saya dengan judul OPTIMISASI REKONFIGURASI JARINGAN PADA KONDISI BEBAN YANG BERUBAH TERHADAP WAKTU MENGGUNAKAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION adalah benar-benar hasil karya intelektual mandiri, diselesaikan tanpa menggunakan bahan-bahan yang tidak diijinkan dan bukan merupakan karya pihak lain yang saya akui sebagai karya sendiri. Semua referensi yang dikutip maupun yang dirujuk telah ditulis secara lengkap pada daftar pustaka. Apabila ternyata pernyataan ini tidak benar, saya bersedia menerima sanksi sesuai peraturan yang berlaku. Surabaya, 17 Januari 217 Yang Membuat Pernyataan, Yoakim Simamora NRP iii

6 ---Halaman ini sengaja dikosongkan--- iv

7 OPTIMISASI REKONFIGURASI JARINGAN PADA KONDISI BEBAN YANG BERUBAH TERHADAP WAKTU MENGGUNAKAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION Nama Mahasiswa : Yoakim Simamora NRP : Pembimbing : 1. Prof. Ir. Ontoseno Penangsang, M.Sc, Ph.D. 2. Dr. Rony Seto Wibowo, S.T, M.T. ABSTRAK Rekonfigurasi jaringan merupakan salah satu cara untuk mengoptimalkan aliran energi dengan membuka dan menutup switches yang terdapat pada jaringan distribusi Penelitian ini membahas tentang rekonfigurasi jaringan pada kondisi beban yang berubah terhadap waktu untuk meminimalkan rugi energi pada sistem distribusi. Penelitian ini menggunakan 2 skenario dalam proses rekonfigurasi, skenario pertama adalah rekonfigurasi fixed, menentukan konfigurasi jaringan distribusi yang paling optimal berdasarkan kondisi beban puncak setiap bus, setelah topologi jaringan yang paling optimal telah ditentukan, kemudian topologi jaringan pada kondisi permintaan maksimum diaplikasikan pada semua variasi beban untuk meminimalkan rugi energi, skenario kedua adalah rekonfigurasi per jam, Rekonfigurasi per jam, menentukan konfigurasi jaringan distribusi yang paling optimal dengan untuk setiap level pembebanan. Kedua skenario rekonfigurasi dalam penelitian ini dioptimalkan menggunakan algoritma binary particle swarm optimization. Skema ini diujikan pada sistem distribusi 2kV kota Medan. Hasil simulasi kondisi awal sistem distribusi 2 kv kota Medan memiliki rugi energi awal sebesar 325,29 kwh/hari dengan tegangan minimum 19,7756 kv. Hasil simulasi untuk rekonfigurasi dengan skenario 1 didapatkan rugi energi sebesar 249 kwh/hari dengan tegangan minimum 19,829 kv dan 1 pergantian switch. Sedangkan untuk rekonfigurasi dengan skenario 2 didapatkan rugi energi sebesar 244,2 kwh/hari dengan tegangan minimum 19,829 kv dan 71 pergantian switch. Kata kunci: rekonfigurasi, variasi beban, rugi energi, binary particle swarm optimization v

8 ---Halaman ini sengaja dikosongkan--- vi

9 OPTIMAL DISTRIBUTION NETWORK RECONFIGURATION CONSIDERING TIME VARYING LOAD USING BINARY PARTICLE SWARM OPTIMIZATION By : Yoakim Simamora Student Identity Number : Advisor : 1. Prof. Ir. Ontoseno Penangsang, M.Sc, Ph.D. 2. Dr. Rony Seto Wibowo, S.T., M.T. ABSTRACT Network reconfiguration is one way to optimize power flow by opening and closing switches found on the distribution network. In this study discusses distribution network reconfiguration under variable demand for minimize energy losses in distribution system. This research using two scenarios, the first scenario is reconfiguration for maximum demand, in this case the optimum topology is determined for the maximum demand condition of each node. Later on, maintaining this topology, the loss behavior for 24 hours, in function of hourly load profiles in each node is analyzed. The second scenario is hourly reconfiguration, it finds optimal topology and associated energy losses, for each one of 24 hour interval, in function of the different hourly demand profiles of the systems. Both scenarios in this study using binary particle swarm optimization. The scheme is tested in the 2 kv distribution system of Medan. The results of the initial conditions simulating the 2 kv distribution system of Medan have energy losses 337,16 kwh/day with minimum voltage kv. After the first scenario reconfiguration is obtained energy losses 249 kwh/day with minimum voltage 19,829 kv and 1 switching operations, and after the second scenario reconfiguration is obtained energy losses 244,2 kwh/day with minimum Voltage 19,829 kv and 71 switching operations. Keywords : reconfiguration, variable demand, energy losses, binary particle swarm optimization vii

10 ---Halaman ini sengaja dikosongkan--- viii

11 KATA PENGANTAR Dengan mengucapkan puji syukur kehadirat Tuhan Yesus Kristus yang telah melimpahkan rahmat serta karunia-nya sehingga penulis dapat menyelesaikan Tesis yang berjudul OPTIMISASI REKONFIGURASI JARINGAN PADA KONDISI BEBAN YANG BERUBAH TERHADAP WAKTU MENGGUNAKAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION. Adapun tujuan dari penyusunan Tesis ini adalah sebagai salah satu persyaratan untuk mendapatkan gelar master teknik pada bidang studi Teknik Sistem Tenaga, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember. Dalam penyusunan laporan Tesis ini, kami banyak mendapatkan bantuan dan dukungan dari berbagai pihak. Oleh karena itu, penulis dengan tulus ikhlas menyampaikan banyak terima kasih kepada : 1. Kedua orang tua T. Simamora/br. Sihite, abang dan kakak L. Simamora/br. Nainggolan, B.Simamora/br. Sitepu, Adik-adik ku Riston Simamora dan Welly Simamora, atas dukungan, semangat, kasih sayang dan doa untuk keberhasilan penulis, serta kedua keponakan Putri Simamora dan Indira Simamora sebagai penyemangat dan penyejuk hati. 2. Bapak Prof. Ir. Ontoseno Penangsang, M.Sc, Ph.D. dan Bapak Dr. Rony Seto Wibowo, S.T, M.T. selaku dosen pembimbing yang telah banyak memberikan saran serta bimbingannya. 3. Bapak Prof. Dr. Ir. Adi Soeprijanto, M.T. dan Bapak Dimas Fajar Uman Putra, S.T, M.T. selaku dosen di Laboratorium Simulasi Sistem Tenaga yang telah memberikan sarannya. 4. Bapak Suyanto, S.T, M.T., yang telah memberikan banyak masukan dalam penyelesaian tesis ini. 5. Teman-teman seperjuangan angkatan 214 Genap Ayusta, Rohmanita, Vicky, Nuha, Alif yang telah memberi banyak masukan dalam penyelesaian tesis ini, tetap semangat untuk kita semua. ix

12 6. Teman-teman pasca sarjana sistem tenaga Septi, Ciptian, Evin, Ari, Bang Mul, Dini, Niken, Lia, Yuli, Trisna, Khalil dan seluruh teman-teman angkatan 213, 114, 215, 216 atas dukungan yang telah diberikan. 7. Seluruh Asisten Laboratorium Simulasi Sistem Tenaga yang telah memberi banyak masukan, dukungan, dan kerjasama selama ini. 8. Seluruh dosen dan administrasi Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember. 9. Semua pihak yang telah banyak membantu untuk menyelesaikan Tesis ini yang tidak dapat penulis sebutkan satu persatu. Penulis menyadari masih banyak kekurangan dalam Tesis ini. Oleh karena itu penulis mengharapkan kritik, koreksi, dan saran dari pembaca yang bersifat membangun untuk pengembangan ke arah yang lebih baik. Akhir kata semoga Tesis ini dapat bermanfaat bagi kita semua. Surabaya, Januari 217 Penulis x

13 DAFTAR ISI Halaman HALAMAN JUDUL LEMBAR PENGESAHAN... i LEMBAR PERNYATAAN KEASLIAN TESIS... iii ABSTRAK... v ABSTRACT...vii KATA PENGANTAR... ix DAFTAR ISI... xi DAFTAR GAMBAR... xiii DAFTAR TABEL... xv BAB 1 PENDAHULUAN 1.1 Latar Belakang Perumusan Masalah Batasan Masalah Tujuan Kontribusi Penelitian... 4 BAB 2 REKONFIGURASI JARING DISTRIBUSI 2.1. Sistem Penyaluran Tenaga Listrik Analisa Aliran Daya Sistem Distribusi Aliran Daya pada Sistem Distribusi Radial Rekonfigurasi Pada Jaringan Distribusi Radial Algoritma Particle Swarm Optimization (BPSO) Dasar Algoritma Particle Swarm Optimization (PSO) Binary Particle Swarm Optimization (BPSO) Kurva Beban Harian Tiap Trafo Distribusi Kurva Total Beban Harian Rugi-rugi Pada Transformator xi

14 2.8. Estimasi Aliran Energi BAB 3 PEMODELAN SISTEM DISTRIBUSI UNTUK PENERAPAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION 3.1. Sistem Distribusi Penyulang NR7 84 Bus Data Penelitian Prinsip Dasar Rekonfigurasi Rekonfigurasi Jaringan Pada Kondisi Beban yang Bervariasi Penerapan BPSO untuk Rekonfigurasi Jaringan Distribusi Fungsi Objektif Constrain (Batasan-batasan) BAB 4 SIMULASI DAN ANALISIS DATA 4.1 Analisis Rugi rugi Transformator Hasil Simulasi Total Pembebanan Penyulang NR7 84 Bus Hasil Simulasi Sistem Distribusi Penyulang NR7 84-Bus Sebelum Rekonfigurasi Hasil Simulasi Sistem Distribusi Penyulang NR7 84-Bus Setelah Rekonfigurasi Fixed Menggunakan Algoritma BPSO Hasil Simulasi Sistem Distribusi Penyulang NR7 84-Bus Setelah Rekonfigurasi Per Jam Menggunakan Algoritma BPSO Analisis Hasil Simulasi BAB 5 PENUTUP 5.1. Kesimpulan Penelitian Berikutnya DAFTAR PUSTAKA LAMPIRAN A LAMPIRAN B BIOGRAFI PENULIS xii

15 xiii

16 DAFTAR GAMBAR Halaman Gambar 2.1 Penyaluran Daya Listrik... 6 Gambar 2.2 Single Line Diagram Contoh Jaring Distribusi Radial... 9 Gambar 2.3 Konsep Modifikasi Point Pada PSO Gambar 3.1 Diagram Alir Penelitian Gambar 3.2 Konfigurasi Sistem Penyulang NR7 84 Bus Gambar 3.3 Kurva Karakteristik Beban Residensial Gambar 3.4 Kurva Karakteristik Beban Komersial Gambar 3.5 Kurva Karakteristik Beban Publik Gambar 3.6 Kurva Karakteristik Beban Industri Gambar 3.7 Sistem IEEE 33 bus dengan loop numbers... 3 Gambar 3.8 Diagram Alir Penerapan BPSO untuk Rekonfigurasi Jaringan Gambar 4.1 SLD Penyulang NR7 84 Bus Kondisi Awal Gambar 4.2 Tegangan Minimum Setiap Interval Waktu pada Konfigurasi Awal dan Setelah Rekonfigurasi Skenario Gambar 4.3 Tegangan Minimum Setiap Interval Waktu pada Konfigurasi Awal dan Setelah Rekonfigurasi Skenario xiii

17 ---Halaman ini sengaja dikosongkan--- xiv

18 DAFTAR TABEL Halaman Tabel 3.1 Nilai Pembebanan Tiap Jenis Beban Weekday Tabel 3.2 Data kva Trafo Pada Penyulang NR Tabel 3.3 Data Pengukuran Tiap Gardu Distribusi Tabel 3.4 Kelompok Kombinasi Switch OFF IEEE 33 Bus... 3 Tabel 4.1 Hasil Analisis Rugi- rugi Trafo Distribusi PB368 (2 kva) Tabel 4.2 Hasil Identifikasi Pembebanan Penyulang NR Tabel 4.3 Hasil Aliran Energi JTM Penyulang NR7 84 Bus Kondisi Awal Tabel 4.4 Hasil Aliran Energi JTM Penyulang NR7 84 Bus Kondisi Awal dan Sesudah Rekonfigurasi Fixed Tabel 4.5 Hasil Aliran Energi JTM Penyulang NR7 84 Bus Kondisi Awal dan Sesudah Rekonfigurasi Per Jam Tabel 4.6 Hasil Simulasi Sistem Distribusi Radial 84-Bus Menggunakan Binary Particle Swarm Optimization xv

19 ---Halaman ini sengaja dikosongkan--- xvi

20 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem Distribusi merupakan salah satu sistem dalam sistem tenaga listrik yang mempunyai peran penting karena berhubungan langsung dengan konsumen energi listrik, terutama konsumen energi listrik tegangan menengah dan tegangan rendah [1]. Dengan bertambahnya jumlah konsumen, maka akan meningkatkan jumlah titik-titik beban dan rangkaian beban, jika switching rangkaian tidak diperhitungkan dengan cermat, maka rugi-rugi di jaringan akan semakin besar. Di lain pihak, permintaan beban dari tiap titik-titik beban berbeda-beda dalam setiap waktu, baik itu per jam, per hari, atau bahkan kondisi tertentu (musiman). Dengan demikian pengaturan pola switching perlu untuk dioptimalkan baik secara otomatis maupun manual. Pengaturan otomatis diperlukan untuk pengaturan switching beban pada waktu yang relatif singkat (skala jam atau harian), sedangkan pengaturan manual untuk skala waktu musiman. Banyak algoritma yang telah dilakukan untuk mengurangi rugi-rugi dan service restoration melalui rekonfigurasi jaring distribusi. Pendekatan rekonfigurasi dapat diklasifikasikan menjadi tiga kelompok utama adalah heuristic, mathematical programming, dan artificial intelligence (AI). Pendekatan rekonfigurasi jaring distribusi heuristik yang diusulkan menurut Civanlar adalah algoritma pertukaran switch heuristik untuk mengurangi feeder loss dan memperkenalkan rumus sederhana untuk memperkirakan perubahan kerugian daya ketika sekelompok beban ditransfer dari satu feeder yang lain [2]. Baran dan Wu menyajikan metodologi rekonfigurasi heuristik berdasarkan metode pertukaran cabang untuk mengurangi kerugian daya dan tujuan load balancing [3]. Nagata dan Hasaki menyajikan metodologi rekonfigurasi secara mathematical programming untuk perbaikan sistem distribusi [4]. Pendekatan AI menggunakan berbagai jenis metaheuristik telah diusulkan untuk optimisasi tujuan tunggal masalah rekonfigurasi jaring distribusi. Nara pada tahun 1992 memperkenalkan GA untuk rekonfigurasi jaring distribusi untuk 1

21 meminimalkan kerugian daya [5]. Zhu mengusulkan pendekatan Binary Genetic Algorithm dengan proses mutasi adaptif untuk memecahkan rekonfigurasi jaring distribusi dengan tujuan minimal kerugian daya [6]. Su menyajikan rekonfigurasi jaring distribusi dengan Ant Colony Optimization (ACO) untuk pengurangan kerugian daya [7]. Shariatkhah menggunakan harmony search algorithm dan dynamic programming untuk memecahkan rekonfigurasi feeder distribusi untuk konfigurasi minimum kerugian daya [8]. Wu Chang Wu menyajikan rekonfigurasi jaring distribusi menggunakan Binary Coding Particle Swarm Optimization untuk mengurangi kerugian daya pada system Distribusi [9]. Souza mengusulkan pendekatan artificial intelligent Copt-aiNet dan Opt-aiNet untuk meminimalkan rugi biaya pada jaringan distribusi [1]. Seperti yang disebutkan sebelumnya permasalahan rekonfigurasi sistem distribusi telah dilakukan dengan mempertimbangkan permintaan beban yang konstan (steady state). Enrique Lopez pada tahun 24 mengusulkan pendekatan rekonfigurasi jaring distribusi dengan mempertimbangkan variasi beban per jam dengan metode dynamic programming untuk mengurangi rugi energi pada jaring distribusi [11], Zidan pada tahun 28 mengusulkan multi objective rekonfigurasi dengan mempertimbangkan variasi beban menggunakan metode indeks switching untuk meminimalkan rugi energi dan meningkatkan nilai indeks keandalan pada sistem jaring Distribusi [12]. Queiroz mengusulkan metode artificial intelligent yaitu Adaptive Hybrid Genetic Algorithm untuk mengurangi rugi energi pada jaring distribusi mempertimbangkan perubahan beban terhadap waktu [13]. Terkahir pada tahun 216 Souza mengusulkan rekonfigurasi jaring distribusi menggunakan metode Clonal Selection Algorithm dan Opt-aiNet Algorihm untuk mengurangi kerugian biaya harian pada sistem distribusi [14] [15]. Kennedy dan Eberhart mengusulkan sebuah pendekatan yang disebut Particle Swarm Optimization (PSO) untuk mengatasi masalah optimisasi fungsi kontinu[16]. Hal ini tidak untuk mengatasi masalah optimisasi fungsi diskrit. Oleh karena itu, Kennedy dan Eberhart mengusulkan versi modifikasi dari PSO yang disebut Binary Particle Swarm Optimization (BPSO) yang dapat digunakan untuk memecahkan masalah optimisasi fungsi diskrit [8]. Pada penelitian ini, rekonfigurasi pada jaring distribusi menggunakan metode Binary Particle Swarm 2

22 Optimization (BPSO) dengan mempertimbangkan variasi beban per interval waktu dalam satu hari. Tujuan dari rekonfigurasi jaring ini adalah untuk memperoleh rekonfigurasi jarring distribusi yang optimal tiap interval waktu dengan rugi energi paling minimal Perumusan Masalah Pada penelitian ini permasalahan yang akan dibahas yaitu: 1. Bagaimana melakukan estimasi pada setiap titik beban tiap interval waktu (jam). 2. Bagaimana meminimalkan rugi energi dengan rekonfigurasi jaringan Distribusi radial. 3. Bagaimana melakukan proses rekonfigurasi dengan mempertimbangkan perubahan beban terhadap waktu menggunakan metode binary particle swarm optimization Batasan Masalah Agar penelitian ini tidak menyimpang dari ketentuan yang digariskan maka diambil batasan dan asumsi sebagai berikut: 1. Harmonisa pada sistem diabaikan. 2. Koordinasi proteksi pada sistem diabaikan. 3. Simulasi dilakukan menggunakan program MATLAB. 4. Keberagaman waktu untuk analisa beban dilakukan per jam per hari Tujuan Tujuan yang ingin dicapai dari penelitian ini yaitu: 1. Mendapatkan estimasi pembebanan setiap titik beban tiap interval waktu (jam). 2. Mendapatkan konfigurasi jaringan baru yang optimal pada penyulang NR7 dengan mempertimbangkan perubahan beban terhadap waktu menggunakan algoritma Binary Particle Swarm Optimization. 3. Meminimalkan rugi energi melalui hasil rekonfigurasi jaringan. 3

23 1.5. Kontribusi Penelitian tentang topik rekonfigurasi di Jurusan Teknik Elektro ITS pertama kali dilakukan oleh Rodhi Faiz dengan tujuan pemulihan pelayanan saat gangguan [17], dan Cokorde untuk minimisasi kehilangan daya total menggunakan metode Genetic Algorithm (GA) [18]. Kemudian topik ini dikembangkan oleh Eddon Mufrizon dengan fungsi tujuan minimisasi kerugian daya sekaligus memperbaiki profil tegangan sistem [19], Julianus melakukan meneliti rekonfigurasi jarring dengan mempertimbangkan harmonisa pada jaring distribusi menggunakan metode Ant Colony Optimization (ACO) [2]. Pada tahun 211, Stephan menggunakan metode Two Layer Particle Swarm Optimization (TL-PSO) untuk rekonfigurasi jaring distribusi dalam rangka pemulihan pelayanan ketika gangguan dan minimisasi kehilangan daya Distribusi [21], pada tahun 213 Jamal Darusalam menggunakan metode optimisasi Harmony Search Algorithm (HSA) untuk meminimalkan kerugian daya pada sistem distribusi yang terpasang unit pembangkit tersebar terbarukan [22], pada 214 Aji Akbar Firdaus menggunakan metode optimasi Binary Particle Swarm Optimization untuk meningkatknan Voltage Stability Index pada jaringan distribusi weakly meshed [23]. Terakhir pada 216, Yuli Prasetyo menggunakan metode optimasi Binary Firefly Algorithm untuk memimalkan kerugian daya pada system Distribusi [24]. Penelitian yang telah dilakukan masih mempertimbangkan permintaan beban yang konstan. Mengacu pada metode-metode yang telah digunakan pada rekonfigurasi jaringan, maka penelitian ini diharapkan memberikan kontribusi sebagai berikut : 1. Menerapkan rekonfigurasi jaringan pada kondisi perubahan beban terhadap waktu. 2. Mengaplikasikan metode Binary Particle Swarm Optimization (BPSO) untuk mendapatkan kerugian energi yang paling minimal. 3. Menerapkan metode Binary Particle Swarm Optimization (BPSO) pada sistem Distribusi radial 2 kv kota Medan. Metode ini akan diaplikasikan pada sistem distribusi radial 84 bus yang datanya diperoleh dari PT. PLN (Persero) Rayon Pancurbatu Sumatera Utara. 4

24 BAB 2 REKONFIGURASI JARING DISTRIBUSI Sistem distribusi merupakan jaring yang langsung terhubung dengan beban. Sehingga sistem distribusi sangat sensitif apabila terjadi penambahan beban. Akibat dari penambahan beban, arus yang mengalir pada sistem menjadi bertambah besar, sehingga mengakibatkan kerugian daya yang besar. Apabila penambahan beban terus-menerus terjadi, peralatan-peralatan distribusi yang dipakai akan rusak dan kehandalan menurun. Oleh karena itu, suatu tindakan diperlukan untuk mengurangi kerugian daya. Salah satu cara yang digunakan adalah rekonfigurasi jaring distribusi. Rekonfigurasi jaring distribusi adalah suatu cara untuk mengurangi kerugian daya pada jaring distribusi serta untuk meningkatkan kehandalan sistem distribusi. Cara untuk mengurangi kerugian daya dan meningkatkan kehandalan sistem adalah dengan mengatur ulang konfigurasi jaring dengan membuka dan menutup switch yang terdapat pada jaring distribusi [17]. Sehingga arus yang mengalir pada jaring distribusi dapat diatur. Dalam kondisi operasi normal, rekonfigurasi jaring dilakukan karena dua alasan: 1. Mengurangi kerugian daya pada sistem. 2. Mendapatkan pembebanan yang seimbang untuk mencegah pembebanan yang berlebih pada jaring (load balancing) 2.1. Sistem Penyaluran Tenaga Listrik Energi listrik dihasilkan pada pembangkit listrik tenaga air (PLTA), pembangkit listrik tenaga gas (PLTG), pembangkit listrik tenaga uap (PLTU), pembangkit listrik tenaga gas uap (PLTGU), pembangkit listrik tenaga diesel (PLTD). Gambar 2.1 menunjukkan proses penyaluran tenaga listrik mulai dari pembangkit, transmisi dan distribusi. Tenaga listrik yang dihailkan oleh pembangkit umumnya sebesar 2 kv, kemudian di gardu induk, pembangkit tegangan listrik tersebut dinaikan dengan transformator penaik tegangan menjadi 5

25 15 kv (tegangan tinggi) selanjutnya listrik tegangan tinggi disalurkan melalui saluran transmisi atau saluran udara tegangan tinggi (SUTT) untuk dikirimkan ke gardu distribusi, yang kemudian tegangannya diturunkan menjadi 2 kv. Tegangan sistem Distribusi dapat dikelompokkan menjadi dua bagian, yaitu Distribusi primer (2 kv) dan Distribusi sekunder (38/22 V). jaringan Distribusi 3 kv sering disebut system Distribusi tegangan menengah (TM) dan jaringan Distribusi 38/22 V jaringan Distribusi tegangan rendah (TR). Gambar 2.1 Penyaluran Daya Listrik [25] Dalam melakukan distribusi tenaga listrik diperlukan beberapa komponenkomponen utama yang menunjang distribusi tenaga listrik, yaitu: 1. Gardu Induk (GI) Gardu induk merupakan suatu komponen penting dalam Distribusi tenaga listrik yang berfungsi sebagai pengatur daya. Gardu induk juga berfungsi mentransformasikan daya listrik yang dihasilka dari pusat-pusat pembangkit ke gardu induk lain dan juga ke gardu-gardu Distribusi yang merupakan suatu interkoneksi dalam Distribusi tenaga listrik. 2. Gardu Hubung (GH) Gardu hubung berfungsi menerima daya listrik dan gardu induk yang telah diturunkan menjadi tegangan menengah dan menyalurkan atau membagi daya listrik tanpa merubah tegangannya melalui jaringan distribusi primer menuju gardu atau transformator distribusi. Gardu hubung merupakan satu gardu yang terdiri dari peralatan-peralatan hubung 6

26 serta alat-alat control lainnya, namun tidak terdapat trafo daya. Alat penghubung yang terdapat pada gardu hubung adalah sakelar beban yang selalu dalam kondisi terbuka (normally open), sakelar ini bekerja atau menutup hanya jika penyulang utama mealui gangguan. 3. Gardu Distribusi (GD) Gardu distribusi adalah suatu tempat atau bangunan instalasi listrik yang didalamnya terdapat alat-alat: pemutus, penghubung, pengaman, dan trafo Distribusi untuk mendistribusikan tegangan listrik sesuai dengan kebutuhan tegangan konsumen. Peralatan-peralatan ini yang menunjang pendistribusian tenaga listrik secara baik yang mencakup kontinuitas pelayanan yang terjamin, mutu yang tinggi, dan menjamin keselamatan bagi manusia. Adapun fungsi dari gardu induk yaitu menyalurkan tenaga listrik tegangan menengah ke konsumen tegangan rendah, menurunkan tegangan menengah menjadi tegangan rendah selanjutnya didistribusikan ke konsumen tegangan rendah, dan menyalurkan tenaga listrik tegangan menengah ke gardu distribusi lainnya. Sistem distribusi dalam suatu daerah biasanya tidak hanya disuplai oleh satu gardu induk, melainkan bisa juga dari gardu induk yang lain. Setiap penyulang memiliki konfigurasi yang dapat terhubung dengan penyulang yang lain. Hal ini dilakukan untuk menjaga kontinuitas daya yang disalurkan dan menjaga kehandalan sistem distribusi. Ada beberapa bentuk sistem jaring yang umum dipergunakan untuk menyalurkan dan mendistribusikan tenaga listrik yaitu : 1. Sistem jaring distribusi radial. 2. Sistem jaring distribusi rangkaian tertutup (loop). 3. Sistem jaring distribusi mesh. 4. Sistem jaring distribusi spindle 2.2 Analisis Aliran Daya Sistem Distribusi Analisis aliran daya pada sebuah sistem tenaga listrik berguna untuk menghitung beberapa parameter yang penting antara lain arus, tegangan, daya, dan kerugian daya. Beberapa metode analisis aliran daya seperti Gauss-Seidel, 7

27 Newton-Raphson dan Fast-Decoupled telah terbukti akurat untuk perhitungan analisis aliran daya pada sistem transmisi. Penggunaan metode-metode tersebut pada sistem distribusi dapat memberikan hasil yang kurang akurat karena algoritma yang digunakan berbasis pada topologi sistem transmisi yang berbentuk mesh atau loop tertutup sedangkan sistem distribusi umumnya berbentuk radial atau berstruktur seperti pohon (tree structure). Saluran atau kabel pada sistem distribusi juga memiliki rasio resistansi versus reaktansi (R/X) yang cenderung tinggi sehingga menyebabkan proses penghitungan aliran daya menggunakan metode konvensional di atas gagal konvergen. Efisiensi dari proses optimisasi pada sistem distribusi bergantung pada algoritma power flow karena solusi baru didapat ketika algoritma tersebut dieksekusi secara berulang. Dengan demikian penyusunan algoritma power flow untuk sistem distribusi harus bersifat kokoh (robust) dan hemat waktu. Sebuah metode yang mampu menemukan solusi aliran daya dengan memanfaatkan karakter topologi jaring distribusi akan digunakan pada penelitian ini. Metode tersebut menghindari penggunaan matriks Jacobian atau matriks admitansi Y yang harus digunakan pada metode konvensional sehingga lebih menghemat waktu perhitungan [26] Aliran Daya pada Sistem Distribusi Radial Aliran daya pada sistem distribusi memiliki yang berbeda dengan aliran daya pada sistem transmisi. Hal ini dikarenakan sistem distribusi mempunyai jaring berbentuk radial. Salah satu metode untuk menghitung aliran daya pada sistem distribusi radial adalah metode Bus Injection to Branch Current Branch Current to Bus Voltage (BIBC-BCBV) [27]. 8

28 Gambar 2.2 Single Line Diagram Contoh Jaring Distribusi Radial Gambar 2.2 merupakan contoh sederhana dari jaring distribusi radial. Dari Gambar 2.2 didapatkan persamaan injeksi arus pada persamaan 2.1 sampai dengan persamaan 2.5. (2.1) (2.2) (2.3) (2.4) (2.5) Dari persamaan injeksi arus ke bus, matriks BIBC dapat disusun seperti persamaan 2.6. (2.6) [ ] [ ] [ ] Pola umum persamaan 2.6 dapat ditulis seperti persamaan 2.7. [ ] [ ][ ] (2.7) Kemudian dibentuk persamaan untuk mencari nilai tegangan jatuh berdasarkan jalur injeksi arus. Persamaan 2.8 sampai dengan persamaan 2.12 merupakan persamaan untuk menghitung tegangan tiap bus. 9

29 (2.8) (2.9) (2.1) (2.11) (2.12) Maka tegangan jatuh dapat dihitung menjadi persamaan 2.13 sampai dengan persamaan (2.13) (2.14) (2.15) (2.16) (2.17) Dari persamaan tegangan jatuh, matriks BCBV dapat disusun seperti persamaan (2.18) [ ] [ ] [ ] Pola umum persamaan 2.18 dapat ditulis seperti [ ] [ ][ ] (2.19) Apabila persamaan 2.7 disubstitusikan ke persamaan 2.19, maka persamaan V didapatkan seperti persamaan 2.2 dan persamaan 2.21 [ ] [ ][ ][ ] (2.2) [ ] [ ][ ] (2.21) Penyelesaian aliran daya dapat diperoleh dengan prosedur perhitungan secara iterasi pada persamaan 2.16 sampai dengan persamaan Ii(k) ( ) (2.22) [ Vk] = [DLF][Ik] (2.23) Persamaan 2.24 adalah persamaan update tegangan baru [V k+1 ] = [V 1 ] [ V k ] (2.24) 1

30 2.3 Rekonfigurasi Pada Sistem Distribusi Radial Sistem distribusi disuplai dari Gardu Induk (GI) yang terbagi menjadi beberapa penyulang/feeder menuju ke pelanggan listrik [3]. Tipe penyulang yang digunakan adalah radial dimana antara penyulang yang satu dengan yang lain dapat dihubungkan dengan mengoperasikan tie switch. Tie switch dengan posisi terbuka pada kondisi normal ini sangat berperan untuk proses rekonfigurasi jaringan sehingga rugi daya dapat berkurang. Jika suatu penyulang mengalami gangguan, daerah yang padam sementara dapat disuplai kembali secara cepat dengan membuat konfigurasi jaringan baru dengan mengoperasikan beberapa tie switch. Dalam jaringan distribusi tenaga listrik, mengubah status tie switch dari normally open (NO) ke normally closed (NC) atau sebaliknya merupakan perubahan struktur topologi dari jaringan distribusi. Rekonfigurasi Jaringan adalah mengatur ulang konfigurasi jaringan dengan cara membuka dan menutup switch pada jaringan distribusi. Rekonfigurasi jaringan dapat mengurangi rugi jaringan serta meningkatkan keandalan sistem distribusi Particle Swarm Optimization (PSO) Particle swarm optimization adalah teknik optimasi stokastik berbasis pada sebuah populasi yang dikembangkan oleh Dr. Eberhart dan Dr. Kennedy pada tahun Metode ini terinspirasi oleh perilaku sosial dari kawanan burung atau ikan [28]. PSO mempunyai banyak kemiripan dengan teknik komputasi yang lain seperti algoritma genetika. Metode ini di inisialisasikan oleh sebuah populasi acak yang bekerja sama mencari solusi optimal pada suatu fungsi objektif dengan mengupdate tiap generasi. Pada PSO, potensial solusi dikenal dengan nama partikel, partikel terus bergerak di area objektif dengan cara mengikuti partikel paling optimum pada saat itu. Tiap partikel terus mencari solusi terbaik untuk fungsi objektif terkait dengan solusi terbaik yang telah dicapai sejauh ini. Nilai dari fitness ini kemudian disimpan. Nilai inilah yang disebut Pbest. Ketika semua partikel mengambil 11

31 seluruh sebagai topologi tetangganya maka nilai terbaik yang dicapai disebut Gbest. Konsep PSO terdiri dari langkah tiap iterasi dan perubahan velocity (akselerasi) pada tiap partikel menuju lokasi Pbest dan Gbest. Nilai akselerasi didapat dari sebuah proses dengan membangkitkan nilai acak untuk akselerasi menuju lokasi Pbest dan Gbest. Pada beberapa tahun terakhir, PSO diaplikaskan pada beberapa riset dan aplikasi lain dengan sukses. Hal ini menunjukkan bahwa dengan metode PSO didapat hasil yang lebih baik dan lebih cepat serta lebih murah dibanding dengan metode lain Dasar Algoritma Particle Swarm Optimization (PSO) Algoritma PSO sebagai metode optimasi mempunyai beberapa langkah untuk menjalankan algoritma nya. Algoritma tersebut dapat dibagi menjadi beberapa poin sebagi berikut 1. Inisialisasi populasi partikel yang terdistribusi uniform pada suatu bidang pencarian. 2. Evaluasi tiap-tiap posisi dari partikel terhadap fungsi objektif. 3. Jika posisi partikel saat ini lebih baik daripada posisi best sebelumnya maka update posisi best. 4. Tentukan best partikel menurut best posisi dari partikel tersebut 5. Update velocity dari tiap partikel menurut persamaan : v ( t 1) v ( t) c. rand ( p x ( t)) c. rand ( p x ( t)) (2.25) i i 1 p i 2 g i 6. Pindahkan partikel pada posisi barunya menurut persamaan : x ( t 1) x ( t) v ( t 1) i i i (2.26) 7. Ulangi algoritma pada langkah kedua sampai kriteria yang ingin dicapai terpenuhi. Variasi PSO merupakan pengembangan dari metode yang telah dikembangkan oleh Kennedy dan Eberhart. Dengan ditambahkannya inersia weight sebagai pengontrol keragaman dari original PSO, maka persamaan update partikel menjadi persamaan

32 v ( t 1) w. v ( t) c. rand ( p x ( t)) c. rand ( p x ( t)) (2.27) i i 1 p i 2 g i Dengan w adalah inersia weight yang memiliki nilai yang bervariasi setiap iterasinya. Persamaan inersia weight yang digunakan adalah seperti persamaan (2.28) Pada gambar 2.3. menunjukkan konsep mekanisme pencarian PSO dengan modifikasi velocity dan posisi individu berdasarkan persamaan (2.27) dan (2.28) jika nilai w, c 1 dan c 2 rand 1, rand 2 adalah 1. y k 1 X i k V i k 1 V i Gbest V i G best k k X i Pbest V i P k best i x Gambar 2.3 Konsep modifikasi point pada PSO Binary Particle Swarm Optimization (BPSO) PSO standar dirancang untuk mengatasi masalah optimisasi fungsi kontinu [28]. Hal ini tidak untuk mengatasi masalah optimisasi fungsi diskrit. Oleh karena itu, Kennedy dan Eberhart mengusulkan versi modifikasi dari PSO yang disebut Binary Particle Swarm Optimization (BPSO) yang dapat digunakan untuk memecahkan masalah optimisasi fungsi diskrit. Dalam Binary Particle Swarm Optimization (BPSO) P i dan P g dari swarm diupdate dalam standar PSO. Perbedaan utama dari standar PSO dan BPSO adalah pada interpretasi dari kecepatan [29]. Pada BPSO kecepatan dibatasi dalam kisaran [,1]. Persamaan dari kecepatan seperti persamaan v ( t) sig(( t)) (2.29) ' ij vij () t 1 e 13

33 Persamaan 2.29 digunakan untuk memperbarui vektor kecepatan partikel. Dan posisi baru partikel diperoleh dengan menggunakan persamaan if rij sig( vij ( t 1)) xij ( t 1) (2.3) otherwise 2.5. Kurva Beban Harian Tiap Trafo Distribusi Untuk melakukan proses estimasi pembentukan kurva beban harian secara total suatu penyulang diawali dengan menentukan terlebih dahulu kurva beban harian tiap trafo distribusi. Kurva beban pada tiap trafo ini dapat dibentuk berdasarkan data pengukuran, data prosentase pelanggan tiap jenis beban pada setiap trafo serta database beban harian tiap jenis beban. Telah dijelaskan sebelumnya bahwa data pengukuran tiap trafo antara lain terdiri atas besarnya daya yang diukur dengan dilengkapi data tentang rating trafo dan waktu dilakukannya pengukuran. Besar daya yang diukur akan menentukan prosentase pembebaban trafo tersebut saat pengukuran. Data pelanggan berisi tentang prosentase tiap jenis beban yang disuplai oleh trafo tersebut. Sedangkan database pembebanan dan database faktor daya digunakan sebagai referensi untuk menentukan besarnya pembebanan pada waktu-waktu yang lain. Estimasi pembebanan jenis beban residensial dinyatakan dengan persamaan 2.3 berikut ini. Pn res Pn ' ref _ res.( kvarating. lf lcres pfnref _ res ) P (2.31) ref _ res Dimana : Pn ref_res = Daya referensi beban residensial jam 1 24 P ref_res = Daya referensi beban residensial ketika pengukuran pfn ref_res = Faktor daya referensi beban residensial jam 1 24 (%) kva rating = Rating transformer (kva) lf = Prosentase pembebanan trafo (%) lc res = Komposisi pembebanan untuk beban residensial (%) n = 1, 2, 3,, 24 14

34 Untuk estimasi pembebanan jenis beban komersial, publik, dan industri dihitung dengan menggunakan persamaan seperti di atas. Hanya saja yang berbeda adalah referensi daya, referensi faktor daya, dan komposisi beban menyesuaikan jenis beban yang akan diestimasi. Jika masing-masing jenis beban sudah dihitung pada setiap jamnya (jam 1-24) maka nilai pembebanan pada semua jenis beban ditotal pada jam yang sama, sehingga didapatkan nilai pembebanan pada trafo tersebut selama 24 jam. Proses yang sama juga dilakukan pada semua trafo. Penjumlahan nilai pembebanan masing-masing jenis beban pada setiap jam dapat dinyatakan dengan persamaan 2.32 berikut ini. Pn Pn Pn Pn Pn total_ trafo_ loading res pub com ind (2.32) dimana : n = 1, 2, 3,, 24 Jika nilai total pembebanan pada trafo tersebut diplot maka akan didapatkan kurva beban harian pada masing-masing trafo. Kurva beban harian pada setiap trafo mempunyai profil yang khas dan berbeda-beda pada setiap trafo, tergantung dari komposisi dan volume beban yang disuplai oleh trafo tersebut. Misalnya, jika pada suatu trafo hanya menyuplai beban komersial saja (lf com = 1%) maka profil kurva harian tersebut sama dengan kurva harian beban komersial yang digunakan sebagai database referensi, hanya saja volumenya yang berbeda. Akan tetapi bila suatu trafo menyuplai beban campuran (mix), misalkan beban residensial dengan beban komersial, maka profil kurva harian yang terbentuk sangat khas, artinya berbeda sama sekali dengan profil kurva harian yang digunakan sebagai database. Hal ini terjadi karena masing-masing jenis beban mempunyai kontribusi pembebanan dengan komposisi dan volume yang berbeda. Bila salah satu jenis beban mempunyai komposisi dan volume lebih dominan (jauh lebih besar) dari komposisi dan volume beban lain maka profil kurva harian trafo tersebut cenderung menyerupai kurva harian beban yang lebih dominan. 15

35 2.6. Kurva Total Beban Harian Setelah diperoleh kurva harian pada masing-masing trafo distribusi, maka jika beban seluruh trafo pada waktu yang sama dijumlahkan (mulai jam 1 sampai jam 24) maka akan diperoleh kurva total beban harian pada suatu penyulang. Hal ini dapat dinyatakan dengan persamaan 2.33 berikut. jum_ trafo Pnm m 1 Pn total_ penyulang (MW) (2.33) 1 Dimana : n = 1, 2, 3,,24 m = banyaknya trafo dalam penyulang tersebut Nilai daya pada kurva ini merupakan daya murni yang dipakai oleh beban konsumen tanpa rugi-rugi di jaringan. Secara profil, bentuk kurva total ini identik dengan bentuk kurva hasil pengukuran beban penyulang di gardu induk. Akan tetapi secara volume (nilai daya) pada tiap-tiap komponen waktu tidaklah sama karena rugi-rugi di jaringan belum terhitung. 2.7 Rugi-rugi Pada Transformator Rugi-rugi pada trafo distribusi diklasifikasikan menjadi dua yaitu Rugirugi daya tanpa beban (No-Load Losses) rugi-rugi daya saat berbeban (Load Losses). Data Trafo Distribusi yang dapat diperoleh adalah (KVA, No-Load Losses, Rated Load Losses dan Impedansi) [3]. Sehingga Rugi-rugi daya pada trafo distribusi dihitung dengan rumus: 2 = x (2.34) dimana : kva load = Beban trafo (kva) kw loss-r = Rugi-rugi berbeban trafo pada load (kw) kva rated = Kapasitas trafo (kva) Jadi total rugi-rugi daya pada trafo distribusi adalah dimana : (2.35) 16

36 kwloss-trf-l = Total rugi-rugi berbeban trafo (kw) kwloss-trf-n = Rugi-rugi trafo tanpa beban (kw) 2.8 Estimasi Aliran Energi Estimasi aliran energi diperoleh dari pengolahan keluaran aliran daya. Data data yang digunakan untuk estimasi aliran energi adalah data aliran daya dan panjang interval [31]. Energy Flow diestimasi dengan menggunakan rumus sebagai berikut: EA i = Int k.p i (2.36) ER i = Int k.q i (2.37) dimana: EA i = Besar Aliran Energi Aktif pada bus i (kwh) ER i = Besar Aliran Energi Reaktif dari bus i (kvarh) Int k = Besar interval ke-k yang pada saat energi dihitung (Jam) P i = Besar Aliran Daya Aktif pada bus i (kw) Q i = Besar Aliran Daya Reaktif pada bus i (kvar) sedangkan aliran rugi-rugi energi diestimasi dengan menggunakan persamaan berikut: EA ij = Int k. P ij (2.38) ER ij = Int k.q ij (2.39) dimana: EA ij = Besar Rugi Energi Aktif dari bus i ke bus j (kwh) ER ij = Besar Rugi Energi Reaktif dari bus i ke bus j (kvarh) Int k = Besar interval ke-k yang pada saat energi dihitung (Jam) P ij = Besar Rugi Daya Aktif dari bus i ke bus j (kw) Q ij = Besar Rugi Daya Reaktif dari bus i ke bus j (kvar) Jaringan Distribusi dimodelkan menjadi tiga bagian untuk menghitung rugi-rugi energi pada jaringan distribusi Jaringan Tegangan Menengah, Trafo, dan Jaringan Tegangan Rendah. Dalam penelitian ini rugi energi yang diperhitungkan hanya pada bagia JTM dan trafo distribusi. 17

37 ---Halaman ini sengaja dikosongkan--- 18

38 BAB 3 PEMODELAN SISTEM DISTRIBUSI UNTUK PENERAPAN ALGORITMA BINARY PARTICLE SWARM OPTIMIZATION Langkah langkah penelitian dibuat dalam diagram alir seperti gambar 3.1. Berdasarkan gambar 3.1 diketahui bahwa penelitian dimulai dengan melakukan pengumpulan data sampai dengan menampilkan hasil simulasi. Gambar 3.1 menunjukkan langkah-langkah penelitian yang jelas dan terperinci. MULAI Pengumpulan data Pengukuran Trafo Distribusi, data saluran sistem distribusi Analisa karakteristik jenis beban untuk menentukan kurva harian tiap jenis beban Penerapan metode estimasi untuk menentukan pembebanan tiap titik beban Analisa aliran daya pada konfigurasi awal tiap interval waktu Meminimalkan rugi jaring distribusi Berhasil Menampilkan Hasil simulasi STOP Tidak Ya Rugi jaringan distribusi tiap interval waktu Rekonfigurasi Jaring distribusi menggunakan algoritma BPSO tiap interval waktu Gambar 3.1. Diagram Alir Penelitian 19

39 Proses estimasi pembentukan kurva beban harian secara total suatu penyulang diawali dengan menentukan terlebih dahulu kurva beban harian tiap trafo distribusi. Kurva beban pada tiap trafo ini dapat dibentuk berdasarkan data pengukuran, data prosentase pelanggan tiap jenis beban pada setiap trafo serta database beban harian tiap jenis beban. Telah dijelaskan sebelumnya bahwa data pengukuran tiap trafo antara lain terdiri atas besarnya daya yang diukur dengan dilengkapi data tentang rating trafo dan waktu dilakukannya pengukuran. Besar daya yang diukur akan menentukan prosentase pembebaban trafo tersebut saat pengukuran. Data pelanggan berisi tentang prosentase tiap jenis beban yang disuplai oleh trafo tersebut. Sedangkan database pembebanan dan database faktor daya digunakan sebagai referensi untuk menentukan besarnya pembebanan pada waktu-waktu yang lain Jika nilai total pembebanan pada trafo tersebut diplot maka akan didapatkan kurva beban harian pada masing-masing trafo. Kurva beban harian pada setiap trafo mempunyai profil yang khas dan berbeda-beda pada setiap trafo, tergantung dari komposisi dan volume beban yang disuplai oleh trafo tersebut. Misalnya, jika pada suatu trafo hanya menyuplai beban komersial saja (lf com = 1%) maka profil kurva harian tersebut sama dengan kurva harian beban komersial yang digunakan sebagai database referensi, hanya saja volumenya yang berbeda. Akan tetapi bila suatu trafo menyuplai beban campuran (mix), misalkan beban residensial dengan beban komersial, maka profil kurva harian yang terbentuk sangat khas. Tahapan selanjutnya setelah proses estimasi pembebanan selama 24 jam dilakukan adalah pengamatan data sebelum dan sesudah rekonfigurasi serta analisa data untuk mengetahui seberapa besar rugi energi, pada saat konfigurasi awal atau sebelum rekonfigurasi dengan setelah direkonfigurasi dari hasil proses algoritma Binary Particle Swarm Optimization (BPSO). 3.1 Sistem Distribusi Feeder Penyulang NR7 84 Bus Penelitian ini menggunakan data sistem distribusi feeder NR7 84 bus yang memiliki 83 sectionalizing switch (normally close) dan 14 tie switch (normally open). Gambar 3.2 menunjukkan konfigurasi sistem distribusi feeder NR7 84 bus 2

40 1 2 Substation 3 Bus Sectionalizing Switch Tie Switch Gambar 3.2. Konfigurasi Sistem Penyulang NR7 84 Bus 21

41 3.2 Data Penelitian Data yang digunakan dalam penelitian ini adalah data salah satu penyulang yang ada di Medan, yaitu data penyulang NR7 dari Gardu Induk Namorambe. Penyulang ini mempunyai komposisi jenis beban yang mayoritas adalah beban residensial. Pada penyulang NR7 terdapat 84 bus dan 83 saluran. Sedangkan data kurva tiap jenis beban yang digunakan sebagai referensi untuk melakukan proses identifikasi adalah data hasil survei lapangan dari PT. Hagler Bailly Indonesia untuk PT. PLN Persero tentang survei karakteristik beban daerah-daerah di luar Jawa. Data ini berupa gambar kurva harian tiap jenis beban, yang kemudian nilai pembebanan pada masing-masing kurva pada tiap-tiap jam selama 24 jam dapat ditentukan. Gambar kurva ditunjukkan pada Gambar 3.3 Gambar 3.6 dan nilai pembebanannya ditunjukkan pada Tabel P (MW) Hour Gambar 3.3. Kurva Karakteristik Beban Residensial 4 3 P (MW) 2 1 Gambar 3.4. Kurva Karakteristik Beban komersial 22

42 P (MW) Gambar 3.5. Kurva Karakteristik Beban Publik 25 P (MW) Gambar 3.6. Kurva Karakteristik Beban Industri Tabel 3.1 Nilai Pembebanan Tiap Jenis Beban Weekday Jam Residensial Weekday (MW) Publik Weekday (MW) Komersial Weekday (MW) Industrial Weekday (MW)

43 Tabel 3.1 Nilai Pembebanan Tiap Jenis Beban Weekday (lanjutan) Jam Residensial Weekday (MW) Publik Weekday (MW) Komersial Weekday (MW) Industrial Weekday (MW) Sedangkan faktor daya diasumsikan sama pada rentang waktu 24 jam. Masing-masing adalah beban faktor daya beban residensial =.85, beban publik =.88, beban komersial =.87, dan beban industri =.9. Asumsi ini dilakukan karena keterbatasan data tentang karakteristik faktor daya harian tiap jenis beban dan faktor daya ini cenderung selalu berubah setiap hari, tergantung jenis beban yang dipakai sehingga sulit ditentukan karakteristiknya. Faktor daya yang dipakai pada proses identifikasi ini didasarkan asumsi umum faktor daya dari tiap jenis beban. Data trafo-trafo yang ada di penyulang NR7 ditunjukkan pada Tabel 3.2 berikut. Tabel 3.2 Data KVA Trafo pada Penyulang NR7 No Kode Trafo Rating (kva) Remark 1 PB368 2 Residensial 2 PB Residensial 3 PB421 1 Residensial 4 PB Residensial 5 PB149 1 Residensial 24

44 Tabel 3.2 Data KVA Trafo pada Penyulang NR7 (lanjutan) No Kode Trafo Rating (kva) Remark 6 PB137 2 Residensial 7 PB532 1 Residensial 8 PB394 5 Residensial 9 PB Residensial 1 PB Residensial 11 PB Residensial 12 PB494 1 Residensial 13 PB14 16 Residensial 14 PB Residensial 15 PB498 1 Residensial 16 PB Residensial 17 PB497 1 Residensial 18 PB144 4 Residensial 19 PB Residensial 2 PB27 25 Residensial 21 PB459 1 Residensial 22 PB26 16 Residensial 23 PB46 1 Residensial 24 PB259 1 Residensial 25 PB Public 26 PB25 16 Residensial 27 PB Commercial 28 PB Residensial 29 PB5 1 Residensial 3 PB57 2 Residensial 31 PB26 16 Residensial 32 PB535 1 Residensial 33 PB Commercial 34 PB332 2 Residensial 35 PB838 2 Public 36 PB Residensial 37 PB185 1 Residensial 38 PB285 1 Residensial 39 PB839 1 Residensial 25

45 Tabel 3.2 Data KVA Trafo pada Penyulang NR7 (lanjutan) No Kode Trafo Rating (kva) Remark 4 PB339 1 Residensial 41 PB499 1 Residensial 42 PB493 1 Residensial 43 PB447 2 Residensial 44 PB837 5 Commercial 45 PB Residensial 46 PB25 1 Public 47 PB495 1 Residensial 48 PB84 25 Commercial 49 PB Commercial 5 PB Residensial 51 PB Residensial 52 PB143 1 Residensial 53 PB412 1 Residensial 54 PB518 1 Residensial 55 PB Commercial 56 PB Residensial 57 PB Residensial 58 PB433 1 Public 59 PB24 16 Residensial 6 PB23 16 Residensial 61 PB187 1 Residensial 62 PB Public 63 PB846 1 Commercial Data pengukuran tiap gardu distribusi digunakan sebagai data awal untuk melakukan proses identifikasi karakteristik tiap jenis beban. Data pengukuran yang ditunjukkan berikut adalah data yang dapat digunakan (berperan) untuk melakukan proses identifikasi jenis beban, ditunjukkan pada Tabel 3.3 berikut. 26

46 Tabel 3.3 Data Pengukuran Tiap Gardu Distribusi Kode Rating Pembebanan Pembebanan Jam No Trafo (kva) (kva) (%) Pengukuran 1 PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB

47 Tabel 3.3 Data Pengukuran Tiap Gardu Distribusi (lanjutan) Kode Rating Pembebanan Pembebanan Jam No Trafo (kva) (kva) (%) Pengukuran 33 PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB PB

48 Data bus dan data saluran digunakan untuk melakukan proses estimasi aliran daya dan rugi-rugi energi di jaringan sedangkan untuk komposisi tiap jenis beban, masing-masing gardu trafo distibusi melayani 1 jenis beban saja. Dengan menggunakan data pengukuran yang meliputi data tentang rating trafo, prosentase pembebebanan, komposisi beban, dan faktor daya masingmasing trafo, kita sudah dapat melakukan proses perhitungan untuk mengidentifikasi karakteristik pembebanan masing-masing trafo. Untuk melakukan estimasi pembebanan pada setiap trafo selama rentang waktu 24 jam digunakan persamaan 2.31 dan persamaan 2.32 pada bab sebelumnya. Sehingga dari data pengukuran tersebut di atas dapat diperoleh hasil estimasi pembebanan masing-masing trafo yang ditunjukkan pada lampiran. Setelah pembebanan masing-masing trafo selama 24 jam didapatkan maka pembebanan total dalam satu penyulang selama 24 jam juga dapat ditentukan, yaitu dengan cara menjumlahkan beban masing-masing trafo pada tiap jam, sehingga didapatkan karakteristik pembebanan harian total pada penyulang tersebut.. Selanjutnya hasil data pembebanan hasil estimasi ini dapat dijadikan data untuk memperoleh nilai rugi energi pada konfigurasi awal dan data untuk melakukan proses rekonfigurasi. 3.3 Prinsip Dasar Rekonfigurasi Rekonfigurasi jaring distribusi radial adalah proses merubah nilai arus maupun impedansi penyulang atau memindahkan suplai suatu titik beban trafo distribusi dari suatu penyulang ke penyulang lain, seperti impedansi dan arus penyulang. Akibat perubahan kedua parameter tersebut turut merubah rugi daya dan jatuh tegangan pada penyulang, keseimbangan arus phasa dan keseimbangan arus penyulang serta arus hubung singkat pada sisi ujung penyulang. Oleh sebab itu proses rekonfigurasi suatu system distribusi harus mempertimbangkan factorfaktor tersebut, terutama rugi daya dan jatuh tegangan. Konfigurasi radial dengan rugi daya dan jatuh tegangan yang paling minimum, secara ideal hanya dapat diperoleh saat tercapainya keseimbangan arus maupun impedansi penyulang. Konfigurasi sistem akan menjadi loop jika salah 29

49 satu tie switch dalam keadaan closed. Maka untuk menjaga konfigurasi jaringan tetap radial harus membuka salah satu sectionalizing switch. Jumlah tie switch yang ditutup harus sama dengan jumlah sectionalizing switch yang dibuka. Contoh sistem IEEE 33 bus dengan loop numbers dijelaskan seperti pada gambar 3.7. S S1 2 S2 3 S18 S22 19 S3 4 S19 S4 LOOP 1 5 S2 2 S5 S6 21 S33 S LOOP 2 S8 S9 S35 S1 1 9 S11 11 S34 LOOP S S15 S14 S13 S S23 LOOP 5 S25 26 S26 S LOOP S28 S32 Sect. Switch (NC) Tie Switch (NO) Bus S24 25 S S31 S29 S3 3 S17 18 S36 Gambar 3.7 Contoh sistem IEEE 33 bus dengan loop numbers Gambar 3.7 menjelaskan bahwa sistem IEEE 33 bus dapat dikelompokkan menjadi 5 loop. Hal ini dikarenakan pada sistem IEEE 33 bus terdapat 5 buah tie switch. Jumlah loop sama dengan jumlah tie switch yang ada pada sistem. Tabel 3.4 Kelompok Kombinasi Switch OFF Loop Switch OFF 1 2, 3, 4, 5, 6, 7, 18, 19, 2, , 9, 1, 11, 21, , 13, 14, , 16, 17, 29, 3, 31, 32, , 23, 24, 25, 26, 27, 28, 37 3

50 Semua kemungkinan tie switch yang ditutup dengan sectionalizing switch yang dibuka dikelompokkan menjadi 5 kelompok. Kombinasi switch dikelompokkan seperti pada table 3.4. Masing masing loop dipilih salah satu switch sehingga ada 5 buah switch yang dalam keadaan OFF. Kombinasi switch terdiri dari 5 buah switch yang dalam keadaan OFF. Kombinasi switch ini yang menjadi masukan pada metode Binary Particle Swarm Optimization. Binary memiliki 2 input yaitu kondisi 1 dan. Kondisi 1 menunjukkan bahwa switch dalam keadaan ON. Kondisi menunjukkan switch dalam keadaan OFF Rekonfigurasi Jaringan dengan Beban yang Bervariasi Profil beban bervariasi dari satu titik point ke titik point lainnya, ini dikarenakan tipe konsumen yang bebeda dan permintaan pembebanan yang berubah sepanjang hari. Dua skenario akan dilakukan untuk menentukan operasi pergantian switch yang paling optimal untuk mengurangi rugi energi. Skenario pertama adalah konfigurasi untuk beban puncak, pada skenario ini topologi yang paling optimal ditentukan berdasarkan kondisi beban puncak setiap bus. Setelah topologi jaringan yang paling optimal telah ditentukan, kemudian topologi jaringan pada kondisi permintaan maksimal digunakan untuk menentukan rugi energi pada semua interval waktu (24 jam). Skenario kedua adalah menentukan topologi jaringan yang paling optimal dengan mempertimbangkan perubahan beban terhadap waktu, rekonfigurasi digunakan untuk meminimalkan rugi energi tiap profil beban yang berbeda. 31

51 3.4. Penerapan Algoritma BPSO untuk Rekonfigurasi Jaringan Distribusi Gambar 3.8 merupakan diagram aliran penerepan algoritma BPSO untuk rekonfigurasi jarring Distribusi. MULAI Inisialisasi parameter Binary Particle Swarm Optimization (BPSO) Masukkan data-data sistem distribusi Merumuskan kerugian daya yang akan dioptimasi dan batas yang diperoleh Update velocity, update particles coordinate Menghitung fitness function setiap partikel dengan running load flow radial Evaluasi fitness function, update Pbest, update Gbest Tidak Apakah fitness function lebih baik dari pada sebelumnya? Ya Nilai kerugian daya minimal STOP Gambar 3.8. Diagaram Alir Penerapan BPSO untuk Rekonfigurasi Jaringan. 32

52 Gambar 3.8 Diagram Alir Rekonfigurasi Jaring Distribusi Menggunakan BPSO Urutan langkah-langkah penggunaan BPSO untuk rekonfigurasi jaringan Distribusi 84 bus adalah sebagai berikut : Langkah 1 : Inisialisasi parameter Binary Particle Swarm Optimization (BPSO), antara lain velocity, inertia weight, maximum iteration, kandidat-kandidat switches yang dibentuk secara kelompok berdasarkan loop, koefisien akselerasi, fitness function untuk Pbest. Langkah 2 : Memasukkan data dari sistem distribusi yaitu resistansi (R), reaktansi (X), konfigurasi sistem distribusi dan beban di tiap bus. Langkah 3 : Merumuskan fungsi obyektif yaitu kerugian daya yang minimal. Langkah 4 : Melakukan update velocity, kemudian menghitung update particles coordinate. Langkah 5 : Dari velocity dan particles coordinate, dilakukan running program load flow radial pada pada kombinasi open switches yang baru untuk mendapatkan fitness function (kerugian daya) Langkah 6 : Evaluasi hasil fitness function dengan update Pbest dan update Gbest. Apabila hasil fitness function yang baru lebih baik maka kombinasi open switches yang baru menggantikan kombinasi yang sebelumnya, sehingga kerugian daya minimal didapatkan Langkah 7 : Cek kriteria penghentian iterasi. Jika kriteria belum dipenuhi maka kembali ke langkah 4. Kriteria penghentian menggunakan jumlah iterasi maksimum. 3.5 Fungsi Objektif Fungsi objektif adalah sebuah fungsi yang digunakan untuk mendapatkan hasil yang optimal dalam suatu optimasi aliran daya. Fungsi Objektif dalam penelitian ini adalah untuk meminimalkan rugi jaringan. Persamaan fungsi objektif untuk meminimalkan rugi jaringan sesuai dengan persamaan (3.1). (3.1) dimana Nd adalah jumlah periode pembebanan (1-24 jam), dan energi selama periode i. adalah rugi 33

53 3.5 Batasan batasan (Constraint) Batasan batasan (Constraint) adalah persyaratan yang tidak boleh dilanggar dalam membuat suatu optimasi aliran daya. Batasan batasan ini digunakan untuk membantu mendapatkan suatu hasil yang paling optimal. Jika batasan batasan ini dilanggar maka hasil yang didapatkan bukan suatu hasil yang optimal. Pada penelitian ini menggunakan batasan batasan sebagai berikut. 1. Constraint Tegangan Constraint tegangan adalah suatu batasan tegangan yang tidak boleh dilanggar. Batasan tegangan penelitian ini mengacu pada referensi [12] yakni :,95 pu V 1,5 pu (3.2) Dimana batas bawah tegangan adalah,95 pu dan batas atas tegangan adalah 1,95 pu. Sehingga tegangan pada sistem distribusi harus berada dalam range ± 5% dari tegangan nominal. 2. Jaring Distribusi tetap terjaga radial. Setelah proses rekonfigurasi topology jaringan harus tetap terjaga radial. 34

54 BAB 4 SIMULASI DAN ANALISIS Bab ini menjelaskan tentang 2 hal yaitu hasil perhitungan estimasi total pembebanan penyulang NR7 84 bus kota Medan dan hasil simulasi yang menggunakan algoritma pemrograman seperti yang telah dibahas pada Bab 3. Algoritma dibuat dengan software MATLAB versi 214a. Pada penelitian ini, rekonfigurasi jaring distribusi dengan mempertimbangkan variasi beban akan dilakukan dengan dua skenario, yaitu : 1. Rekonfigarasi fixed, menentukan konfigurasi jaring distribusi dengan algoritma BPSO yang paling optimal berdasarkan kondisi beban puncak. Setelah topologi jaringan yang paling optimal telah ditentukan, kemudian topologi jaringan pada kondisi permintaan maksimum diaplikasikan pada semua variasi beban untuk meminimalkan rugi energi. 2. Rekonfigurasi per jam, menentukan konfigurasi jaringan distribusi yang paling optimal dengan menggunakan algoritma BPSO untuk setiap level pembebanan. setelah kedua skenario ini disimulasikan, kemudian akan dibandingan dengan rugi energi pada konfigurasi awal. 4.1 Analisis Rugi-Rugi Transformator Distribusi Rugi-rugi pada trafo distribusi diklasifikasikan menjadi dua yaitu Rugirugi daya tanpa beban (No-Load Losses) rugi-rugi daya saat berbeban (Load Losses). Data Trafo Distribusi yang dapat diperoleh adalah (kva, No-Load Losses, Rated Load Losses dan Impedansi). Untuk menghitung rugi-rugi pada transformator pada saat berbeban digunakan persamaan 2.34, untuk rugi transformator tanpa beban dianggap konstan sesuai SPLN Tabel 4.1 merupakan hasil analisis rugi-rugi transformator PB368 (2 kva). 35

55 Tabel 4.1. Hasil Analisis Rugi-rugi Trafo Distribusi PB 368 (2 kva) Jam Losses Total Losses Load (kw) No Load (kw) P (kw) Hasil Analisis Total Pembebanan Penyulang NR7 84 Bus Kota Medan Dengan menggunakan data pengukuran yang meliputi data tentang rating trafo, prosentase pembebebanan, komposisi beban, dan faktor daya masingmasing trafo, kita sudah dapat melakukan proses perhitungan untuk mengidentifikasi karakteristik pembebanan masing-masing trafo. Untuk melakukan estimasi pembebanan pada setiap trafo selama rentang waktu 24 jam digunakan persamaan 2.31 dan persamaan 2.32 pada bab sebelumnya. 36

56 Setelah pembebanan masing-masing trafo selama 24 jam didapatkan maka pembebanan total dalam satu penyulang selama 24 jam juga dapat ditentukan, yaitu dengan cara menjumlahkan beban masing-masing trafo pada tiap jam, sehingga didapatkan karakteristik pembebanan harian total pada penyulang tersebut. Tabel 4.2 Hasil Identifikasi Pembebanan Penyulang NR7 Interval Total Energi (kwh) Interval Total Energi (kwh) Tabel 4.2 menjelaskan tentang hasil estimasi pembebanan penyulang NR7 84 bus kota Medan dan hasil aliran energi jaringan tegangan menegah 2 kv serta hasil analisis rugi energi trafo Distribusi sehingga diperoleh total pembebanan penyulang NR7 84 bus kota Medan. Gambar 4.1 merupakan kurva karakteristik penyulang NR7, kurva karakteristik penyulang NR7 mendekati bentuk kurva karakteristik beban residensial. Energi (kwh) Total Energi (kwh) Gambar 4.1. Kurva Karakteristik Pembebanan Penyulang NR7 84 Bus 37

57 4.3 Hasil Simulasi Sistem Distribusi Penyulang NR7 84 Bus Kondisi Awal 1 2 Substation 3 Bus Sectionalizing Switch Tie Switch Gambar 4.2 Single line diagram Penyulang NR7 bus kondisi awal 38

58 Kondisi awal adalah kondisi dimana sistem distribusi penyulang NR7 84 bus masih dalam keadaan normal. Pada kondisi awal ini belum dilakukan rekonfigurasi. Konfigurasi jaringan sistem distribusi penyulang NR7 dalam keadaan normal sesuai dengan gambar 4.2. Berikut ini hasil dari simulasi pada kondisi awal : Tabel 4.3 Hasil Aliran Energi JTM Penyulang NR7 84 Bus Kondisi Awal Interval Rugi Energi Minimum P (kwh) Q (kvarh) Voltage (kv)

59 Tabel 4.3 menjelaskan tentang rugi-rugi energi dan tegangan minimum pada sistem distribusi penyulang NR7 84 bus tiap interval waktu pada kondisi awal (sebelum rekonfigurasi). Tabel 4.3 menunjukkan hasil simulasi, diperoleh nilai tegangan minimum pada kondisi awal antara kv sampai kv. Sistem distribusi penyulang 84 bus pada kondisi awal dapat dikatakan memiliki rugi energi yang cukup besar. Total nilai rugi jaringan pada kondisi awal sebesar kwh. Oleh karena itu diperlukan suatu cara untuk meminimalkan rugi jaringan sistem distribusi penyulang NR7 84 bus. Langkah yang digunakan adalah metode rekonfigurasi. Rekonfigurasi dilakukan dengan cara mengatur ulang konfigurasi jaringan sistem distribusi dengan cara membuka dan menutup switch. Pada penilitian akan dilakukan 2 skenario rekonfigurasi jaringan, yaitu rekonfigurasi fixed dan rekonfigurasi per jam. 4.4 Hasil Simulasi Sistem Distribusi Penyulang NR7 84 Bus Setelah Rekonfigurasi Fixed Menggunakan Algoritma Binary PSO Tahap ini dilakukan rekonfigurasi fixed pada sistem distribusi penyulang NR7 84 bus. Rekonfigurasi dilakukan dengan cara mengatur ulang jaringan sistem distribusi pada kondisi pembebanan maksimum. Setelah mendapat konfigurasi yang optimal, konfigurasi tersebut diaplikasikan untuk semua pembebanan selama 24 jam. Setelah dilakukan simulasi dengan nilai pembebanan puncak pada setiap bus menggukan algoritma BPS, switch open dengan reduksi rugi daya terbaik adalah 84, 9, 1, 17, 19, 26, 29, 75, 34,39, 43, 95, 96, 97. 4

60 Tabel 4.4. Hasil aliran energi JTM penyulang NR7 84 bus kondisi awal dan sesudah rekonfigurasi dengan skenario 1 Rekonfigurasi Awal Setelah Rekonfigurasi Reduksi Interval Losses Losses Losses Open Switch P (kwh) Q (kvarh) P (kwh) Q (kvarh) (%)

61 Tabel 4.4 Hasil aliran energi JTM NR7 84 bus kondisi awal dan sesudah rekonfigurasi dengan skenario 1 (lanjutan) Rekonfigurasi Awal Setelah Rekonfigurasi Reduksi Interval Losses Losses Losses Open Switch P (kwh) Q (kvarh) P (kwh) Q (kvarh) (%)

62 19.95 Kondisi Awal Rekonfigurasi Fixed 19.9 Tegangan (kv) Gambar 4.3. Tegangan Minimum Setiap Interval Waktu pada Konfigurasi Awal dan Setelah Rekonfigurasi Skenario 1. Pada sistem distribusi penyulang NR7 84 bus terdapat 14 buah switch dalam keadaan open. Pada kondisi awal switch yang open yaitu switch 84, 85, 86, 87, 88, 89, 9, 91, 92, 93, 94, 95, 96 dan 97. Setelah dilakukan rekonfigurasi jaring dengan algoritma BPSO didapatkan kombinasi switch open yang baru. Kombinasi switch open tersebut adalah 84, 9, 1, 17, 19, 26, 29, 75, 34, 39, 43, 95, 96, 97. Hasil simulasi juga menunjukkan bahwa untuk meminimalkan rugi energi dengan rekonfigurasi skenario 1 membutuhkan 1 pergantian switch selama 24 jam. Hasil simulasi pada sistem distribusi penyulang NR7 84 bus ditunjukkan pada tabel 4.4 dan gambar 4.3. Tabel 4.4 menjelaskan tentang hasil aliran energi pada sistem distribusi penyulang NR7 setelah rekonfigurasi. Gambar 4.3 menunjukkan tegangan minimum untuk setiap interval waktu di sistem distribusi penyulang NR7 84 bus setelah rekonfigurasi. Nilai tegangan minimum setelah rekonfigurasi mengalami perbaikan dengan rata-rata,15% setiap interval waktu. Kombinasi switch open yang baru diaplikasikan pada semua pola beban tiap interval waktu untuk meminimalkan rugi energi, total rugi energi setelah 43

63 rekonfigurasi dengan skenario 1 pada sistem distribusi penyulang NR7 84 bus adalah sebesar 249 kwh atau berkurang sebesar 26.13%. 4.5 Hasil Simulasi Sistem Distribusi Penyulang NR7 84 Bus Setelah Rekonfigurasi Per Jam Menggunakan Algoritma Binary PSO Tahap ini dilakukan rekonfigurasi jaring Distribusi dengan mempertimbangkan perubahan pembebanan pada periode interval waktu 24 jam pada sistem distribusi penyulang NR7 84 bus. Rekonfigurasi dengan algoritma BPSO dilakukan untuk setiap pembebanan selama interval 24 jam. Pada sistem distribusi penyulang NR7 84 bus terdapat 14 buah switch dalam keadaan open. Pada kondisi awal switch yang open yaitu switch 84, 85, 86, 87, 88, 89, 9, 91, 92, 93, 94, 95, 96 dan 97. Setelah dilakukan rekonfigurasi jaring dengan algoritma BPSO didapatkan kombinasi switch open yang baru tiap interval waktu. Kombinasi switch open tersebut ditunjukkan pada tabel 4.5. Hasil simulasi juga menunjukkan bahwa untuk meminimalkan rugi energi dengan rekonfigurasi skenario 2 membutuhkan 71 pergantian switch selama 24 jam. Hasil simulasi pada sistem distribusi penyulang NR7 84 bus ditunjukkan pada tabel 4.5 dan gambar 4.4. Tabel 4.5 menjelaskan tentang hasil aliran energi pada sistem distribusi penyulang NR7 setelah rekonfigurasi. Gambar 4.4 menunjukkan tegangan minimum untuk setiap interval waktu di sistem distribusi penyulang NR7 84 bus setelah rekonfigurasi. Nilai tegangan minimum setelah rekonfigurasi mengalami perbaikan dengan rata-rata,17% setiap interval waktu. Kombinasi switch open yang baru tiap interval waktu ditentukan menggunakan algoritma BPSO untuk meminimalkan rugi energi, total rugi energi setelah rekonfigurasi dengan skenario 2 pada sistem distribusi penyulang NR7 84 bus adalah sebesar kwh atau berkurang sebesar 27.96%. 44

64 Tabel 4.5. Hasil aliran energi JTM penyulang NR7 84 bus kondisi awal dan sesudah rekonfigurasi dengan skenario 2 Rekonfigurasi Awal Setelah Rekonfigurasi Reduksi Interval Losses Losses Losses Open Switch P (kwh) Q (kvarh) P (kwh) Q (kvarh) (%)

65 Tabel 4.5. Hasil aliran energi JTM penyulang NR7 84 bus kondisi awal dan sesudah rekonfigurasi dengan skenario 2 (lanjutan) Rekonfigurasi Awal Setelah Rekonfigurasi Reduksi Interval Losses Losses Losses Open Switch P (kwh) Q (kvarh) P (kwh) Q (KVAR) (%)

66 19.95 Kondisi Awal Rekonfigurasi Per Jam 19.9 Tegangan (kv) Gambar 4.4. Tegangan Minimum Setiap Interval Waktu pada Konfigurasi Awal dan Setelah Rekonfigurasi Per Jam. 4.6 Analisis Hasil Simulasi Dari Tabel 4.6 terlihat bahwa rugi energi pada jaring distribusi sebelum rekonfigurasi sebesar 337,16 kwh/hari, dengan menggunakan rekonfigurasi skenario 1 (rekonfigurasi fixed) rugi energi dapat diminimalkan menjadi 249 kwh/hari atau berkurang sebesar 26,13% dengan 1 pergantian switch, sedangkan rekonfigurasi scenario 2 (konfigurasi per jam), rugi energi dapat diminimalkan menjadi 244,2 kwh/hari atau berkurang sebesar 27,95% dengan 71 pergantian switch. Dari hasil simulasi, sangat wajar jika rekonfigurasi per jam disebut meminimalkan rugi energi yang lebih baik daripada rekonfigurasi fixed, namun demikian minimisasi rugi energi dengan metode rekonfigurasi sangat penting memperhatikan jumlah pergantian switch untuk merubah konfigurasi jaring distribusi, karena melakukan rekonfigurasi dengan jumlah pergantian switch yang besar mengakibatkan gangguan transient, mengunrangi life time switch, resiko pemadaman dan meningkatkan biaya pergantian switch (jika sistem masih menggunakan sistem manual). rekonfigurasi fixed lebih dapat diterima dalam penerapan di lapangan, karena rekonfigurasi fixed dapat mengurangi rugi energi 47

67 dengan jumlah pergantian switch yang lebih sedikit dan meminimalkan efek dari jumlah pergantian switch dalam jumlah yang cukup besar. Tabel 4.6 Hasil Simulasi Sistem Distribusi Radial 84-Bus Menggunakan Binary Particle Swarm Optimization Menggunakan Binary Particle Swarm Optimization Sebelum Rekonfigurasi Jumlah Kerugian Minimum Reduksi Pergantian energy Voltage (%) Switch (kwh/hari) (kv) - 337,16-19,7756 Rekonfigurasi Fixed ,13 19,829 Rekonfigurasi Per Jam ,2 27,95 19,829 48

68 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil simulasi pada sistem distribusi penyulang NR7 84 bus didapat beberapa kesimpulan sebagai berikut : 1. Bentuk kurva total pembebanan penyulang NR7 84 bus mendekati bentuk kurva karakterisik beban residensial, hal ini dikarenakan mayoritas beban di sepanjang penyulang NR7 adalah beban residensial. 2. Rekonfigurasi per jam mengurangi rugi energi lebih baik dibandingkan rekonfigurasi fixed. Rekonfigurasi per jam mengurangi rugi energi sebesar 93,14 kwh/hari (27,95%) dengan 71 pergantian switch, rekonfigurasi fixed mengurangi rugi energi sebesar 88,16 kwh/hari (26,13%) dengan 1 pergantian switch. 5.2 Saran 1. Untuk penelitian selanjutnya dapat dikembangkan melalui penggabungan antara rekonfigurasi jaring distribusi dan distributed generator dengan mempertimbangkan variasi beban. 2. Untuk meningkatkan performa sistem distribusi radial, penelitian selanjutnya dapat dikembangkan dengan multi objective function. Multi objective function dapat meliputi meminimalkan rugi jaringan, meminimalkan deviasi tegangan, perbaikan indeks keandalan dan penyeimbangan beban penyulang. 3. Untuk penelitian selanjutnya dapat dikembangkan variasi beban per bulan atau per tahun. 49

70 DAFTAR PUSTAKA [1] Mohammad Reza Andervazh, Javad Olamaei, Mahmoud Reza Haghifam, Adaptive multi-objective distribution network reconfiguration using multi-objective discrete particles swarm optimisation algorithm and graph theory, IET Gener. Transm. Distrib., 213, Vol. 7. [2] Civanlar, S., Grainger, J.J., Yin, H., Lee, S.S.H., Distribution feeder reconfiguration for loss reduction, IEEE Trans. Power Deliv., 1988, 3, (3), pp [3] Baran, M.E., Wu, F.F., Network reconfiguration in distribution systems for loss reduction and load balancing, IEEE Trans. Power Deliv., 1989, 4, (2), pp [4] T. Nagata., H. Sasaki, An efficient algorithm for distribution network reconfiguration, IEEE Power Engineering Society Summer Meeting, vol. 1, pp , 21. [5] Nara, K., Shiose, A., Kiagawa, M., Ishihara, T., Implementation of genetic algorithm for distribution system loss minimum configuration, IEEE Trans. Power Syst., 1992, 7, (3), pp [6] Zhu, J.Z., Optimal reconfiguration of electrical distribution network using the refined genetic algorithm, Electr. Power Syst. Res., 22, 62, (1), pp [7] Su, C.T., Chang, C.F., Chiou, J.P., Distribution network reconfiguration for loss reduction by ant colony search algorithm, Electr. Power Syst. Res., 25, 75, (2 3), pp [8] Shariatkhah, M.H., Haghifam, M.R., Salehi, J., Moser, A., Duration based reconfiguration of electric distribution networks using dynamic programming and harmony search algorithm, Int. J. Electr. Power Energy Syst., 212, 41, (1), pp [9] Wu-chang wu., Men-shen Tsai., Feeder reconfiguration using binary coding particle swarm optimization, International Journal of Control, Automation, and Systems, vol. 6, n.4, pp , August

71 [1] S.S.F. Souza, R. Romero., J.F Franco, Artificial immune networks coptainet and opt-ainet applied to reconfiguration problem of radial electrical distribution system, Electric Power System Research, Vol 119, pp , 215. [11] Enrique Lopez., Hugo Opazo,. Luis Garcia,. Patrick Bastard, Online reconfiguration considering variability demand: Application to real network, IEEE Transactions on Power System, vol. 19, N. 1, February 24. [12] Aboelsood Zidan, E.F. El-Saadany, Multi objective network reconfiguration in balanced distribution systems with variable demand, International Conference on Electrical Power and Energy Convertion System, 211. [13] Leonardo Queiroz,. Christiano Lyra, Adaptive hybrid genetic algorithm for technical Loss reduction in distribution networks under variable demands, IEEE Transactions on Power Systems, Vol. 24, No. 1, February 29. [14] Simone S.F. Souza., Ruben Romero., Distribution system reconfiguration with variable demand using the opt-ainet algorithm, 13 th International Conference on European Energy Market, 216. [15] Simone S.F. Souza., Ruben Romero., Distribution system reconfiguration with variable demand using clonal selection algorithm, 18 th International on Intelligent System Application to Power systems, 216. [16] Y. Shi, R. Eberhart, Empirical Study of Particle Swarm Optimization, In Proceedings of the 1999 IEEE Congress on Evolutionary Computation, Piscatawaym, NJ, IEEEPress, pp , [17] Faiz, RM (23), Rekonfigurasi Jaring Distribusi Untuk Penulisan Pelayanan Menggunakan Metode Fuzzy-GA, Tesis Master, ITS, Surabaya. [18] Cokorde, GIP (27), Rekonfigurasi Jaring Distribusi Tenaga Listrik Menggunakan Breeding Genetic Algorithm (BGA), Tesis Master, ITS, Surabaya. 52

72 [19] Eddon, M (28), Rekonfigurasi jaring distribusi untuk meminimalkan rugi daya dan jatuh tegangan menggunakan metoda Fuzzy-Ant Colony Optimization (ACO), Tesis Master, ITS, Surabaya. [2] Julianus, GD (28), Estimasi Pengurangan Susut Distribusi Menggunakan Kombinasi Rekonfigurasi dengan Algoritma Ant Colony dan Pemasangan Filter Harmonic, Tesis Master, ITS, Surabaya. [21] Stephan (211), Rekonfigurasi Jaring Distribusi Untuk Meminimalkan Kerugian Daya Menggunakan Two Layer - Particle Swarm Optimization (TL-PSO), Tesis Master, ITS, Surabaya. [22] Jamal Darusalam Giu (213), Rekonfigurasi Optimal Sistem Distribusi dengan Penetrasi Pembangkit Tersebar Terbarukan (Renewable Distributed Generator) Menggunakan Metode Harmony Search Algorithm, Tesis Master, ITS, Surabaya [23] Aji Akbar Firdaus (214), Rekonfigurasi Jaring Distribusi Weakly Meshed Menggunakan Algoritma Binary Particle Swarm Optimization untuk mengurangi Voltage Stability Index dengan Kerugian daya Minimal, Tesis Master, ITS, Surabaya. [24] Yuli Prasetyo (216), Optimasi Rekonfigurasi Jaringan dan Penentuan Lokasi Serta Kapasitas Kapasitor Secara Simultan Untuk Mengurangi Rugi Jaringan Menggunakan Binary Firefly Algorithm, Tesis Master, ITS, Surabaya. [25] Hadi, Abdul, Pabla, As., Sistem Distribusi Daya Listrik, Erlangga, Cetakan Pertama, Bandung, [26] Jen-Hao T, A Direct Approach for Distribution System Load Flow Solutions, IEEE Trans. on Power Delivery, 23, vol.18, no.3, pp [27] G. W. Chang, S. Y. Chu, An Improved Backward/Forward Sweep Load Flow Algorithm for Radial Distribution Systems, IEEE Transactions On Power Systems, Vol. 22, No. 2, May 27. [28] J. Kennedy and R. Eberhart, Particle Swarm Optimization, In IEEE Int. Conf on Neural Networks, Perth, Australia, ,

73 [29] Mojtaba Ahmadieh Khanesar., Mohammad Teshnehlab., Mahdi Aliyari Shoorehdeli., A Novel Binary Particle Swarm Optimization, Proceedings of the 15 th Mediterranean Conference on Control and Automation, July 27, Athens-greece. [3] Jeff Triplett., Stephen Rinell., Jim Foote., Evaluating Distribution System Losses Using Data from Deployed AMI dan GIS Systems, IEEE Rural Electric Power Conference (REPC), 21. [31] Daniel Rohi., Radita Sodixtes Arauna., Aplikasi Pendekatan Aliran Daya untuk Estimasi Rugi-Rugi Energi Sistem Distribusi 2 kv, Jurnal EECCIS Vol. II, No. 1, Juni

75 LAMPIRAN A Kurva pembebanan masing-masing trafo distribusi di sepanjang penyulang NR7 hasil estimasi adalah sebagai berikut 1. Kurva Pembebanan Trafo Kurva Pembebanan Trafo Kurva Pembebanan Trafo

76 4. Kurva Pembebanan Trafo Kurva Pembebanan Trafo Kurva Pembebanan Trafo

79 13. Kurva Pembebanan Trafo Kurva Pembebanan Trafo Time (Hours) 15. Kurva Pembebanan Trafo

81 19. Kurva Pembebanan Traf Kurva Pembebanan Trafo Kurva Pembebanan Trafo

87 37. Kurva Pembebanan Trafo Kurva Pembebanan Trafo Time (Hours) 39. Kurva Pembebanan Trafo

97 LAMPIRAN B Data Saluran pada Penyulang NR7 84 Bus Saluran Impedansi Bus Bus R (Ohm) X (Ohm)

98 Data Saluran pada Penyulang NR7 84 Bus (lanjutan)

99 Data Saluran padapenyulang NR7 84 Bus (lanjutan) Tie Switch

101 BIOGRAFI PENULIS Penulis memiliki nama lengkap Yoakim Simamora. Lahir di Medan pada tanggal 18 Desember Penulis mengawali pendidikan di SD Swasta Markus Medan Kemudian melanjutkan ke SMP Swasta Methodist-8 Medan pada tahun Setelah lulus dari SMA Negeri 12 Medan pada tahun 27, penulis melanjutkan pendidikan Strata-1 di Universitas Sumatera Utara (USU), Jurusan Teknik Elektro konsentrasi Sistem Tenaga Listrik, dan lulus tahun 213. Pada tahun 214 melanjutkan pendidikan Magister di Institut Teknologi Sepuluh Nopember. Semasa kuliah penulis aktif mengikuti berbagai seminar nasional maupun internasional dan pelatihan. Penulis merupakan salah satu member di Laboratorium Simulasi Sistem Tenaga (B.13) ITS. Penulis dapat dihubungi di alamat akim_jahi@yahoo.com. 81

Menunjukkan lagi