MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION (MIPSO) SEBAGAI SOLUSI ECONOMIC DISPATCH PADA SISTEM KELISTRIKAN 500 kv JAWA-BALI

Transkripsi

1 ODIFIED IPROVED PARTICLE SWAR OPTIIZATION (IPSO) SEBAGAI SOLUSI ECONOIC DISPATCH PADA SISTE KELISTRIKAN 5 V JAWABALI Sabhan Kanata *), Sarjiya, and Sasongo Pramono Hadi Jurusan Teni Eletro dan Tenologi Informasi, Faultas Teni, Universitas Gadjah ada Jl. Tenia Utara, Sleman, Yogayaarta, Indonesia *) sabhananata@yahoo.co.id Abstra Komponen biaya paling besar pada operasi pembangitan thermal adalah biaya bahan baar. Permasalahan bagaimana meminimalan biaya bahan baar menentuan ombinasi daya output dari masingmasing unit pembangit eangan terpenuhinya beban sistem dan batas emampuan masingmasing unit pembangit dienal istilah economic dispatch (ED). Dalam penelitian ini, diusulan metode odified Improved Particle Swarm Optimization (IPSO) pendeatan Contriction Factor Based Particle Swarm Optimization (CFBPSO) Kemudian metode pendeatan ini diterapan dalam asus sistem tenaga yaitu pada asus IEEE bus pada pembebanan 8 W dan sistem interonesi 5 V JawaBali pembebanan punca 158 W. Dari hasil simulasi IEEE bus, metode IPSO pendeatan CFBPSO mampu menghasilan solusi paling optimal eonomi dibanding metode pendeatan PSO dan Quadratic Programing. Untu asus sistem interonesi 5 V JawaBali, metode IPSO pendeatan ini juga mampu memberian solusi paling optimal dibanding sistem real PT. PLN (Persero). Kata unci: economic dispatch (ED), modified improved particle swarm optimization (IPSO), sistem interonesi 5 V JawaBali. Abstract The most substantial component of the operating cost of thermal generation is fuel costs. The problem of how to minimize the cost of fuel to determine the combination of the output power of each generating unit with the fulfillment of load constraint systems and limit the ability of each generating unit nown as economic dispatch (ED). In this study, the proposed method odified Improved Particle Swarm Optimization (IPSO) approach Contriction Factor Based Particle Swarm Optimization (CFBPSO) then this approach is applied in cases the power system in the case of IEEE bus at loading 8 W and 5 V power system JavaBali with 158 W pea load. The IEEE bus simulation results, the method IPSO with CFBPSO approach is able to produce the most optimal economic solution than PSO approach and Quadratic Programming. For the case of 5 V power system is JavaBali, IPSO method with this approach is also able to provide the most optimal solution compared with the real system PT. PLN (Persero). Keywords: economic dispatch (ED), modified improved particle swarm optimization (IPSO), 5 V power system in JavaBali. 1. Pendahuluan Sistem elistrian JawaBali merupaan suatu sistem interonesi terbesar di Indonesia. Komsumsi bahan baar pembangitan menjadi suatu masalah dan perlu mendapatan perhatian yang serius mengingat omponen biaya penyediaan tenaga listri terbesar di sistem interonesi JawaBali adalah biaya bahan baar yaitu seitar % dari biaya total. Dari % biaya bahan baar tersebut, 85 % diantaranya adalah biaya bahan baar untu pembangit thermal. Oleh arena itu, penghematan biaya bahan baar dalam presentase yang ecil mampu memberian pengaruh yang sangat besar terhadap penghematan biaya operasi. Untu memprodusi tenaga listri pada suatu sistem tenaga dibutuhan cara bagaimana membuat biaya omsumsi bahan baar generator atau biaya operasi dari eseluruhan sistem seminimal mungin menentuan ombinasi daya output dari masingmasing unit pembangit di bawah eangan dari tuntutan beban sistem dan batas emampuan pembangitan masingmasing unit

2 TRANSISI, 15, (), 1, 7 pembangit. Cara ini dienal istilah Economic Dispatch (ED) [][1]. Beberapa metode dapat digunaan untu menyelesaian masalah ED. etode tradisonal seperti Iterasi Lambda, Gradient, dan NewtonRaphson [5] yang menggunaan urva incremental cost dimana metode ini dapat dilauan jia urva arateristi incremental cost ini diidealan terlebih dahulu, sehingga urva terbentu menjadi halus dan convex. Untu urva nonconvex dapat diselesaian cara menggunaan metode Dynamic Programming (DP) [1]. etode ini memilii elemahan arena seringali mengalami endala terjeba pada masalah optimasi loal [][1]. Untu mengatasi masalah ini, beberapa metode alternatif telah diembangan seperti Algoritma Geneti (GA) [], Neural Networ (NN) [15], dan Particle Swarm Optimization (PSO) [][4 5][8][1][19]. Particle Swarm Optimization (PSO) adalah metode optimasi heuristi global yang awalnya diemuan oleh J. Kennedy dan Eberhart R. pada tahun 1995 yang didasaran pada ecerdasan hewan atau perilau pergeraan awanan burung atau ian dalam mencari maanan sehingga dapat diterapan pada metode penelitian ilmiah maupun reayasa. Keuntungan utama dari algoritma PSO yaitu onsep sederhana, implementasi yang mudah, etahanan untu mengontrol parameter, dan efisiensi omputasi dibanding teni optimasi heuristi lainnya [9][1]. Shi Y. dan Eberhart R. (1998) melauan modifiasi PSO menerapan Inertia Weight (IW) untu meredam ecepatan selama iterasi agar secara imbang menjaga pencarian global dan loal [14]. Selanjutnya Clerc (1999) melauan perbaian menggunaan Contriction Factor (CF) tujuan untu menjamin onvergensi dari algoritma PSO dan osilasi amplitudo partiel menurun dari watu e watu tanpa pengaturan ecepatan masimum [17]. Eberhart R. dan Shi Y. () melauan penelitian embali membandingan Inertia Weight (IW) Contriction Factor (CF) dan menemuan bahwa penggunaan CF memilii onvergensi yang lebih bai dibanding IW [18]. Dalam masalah ini diusulan metode optimasi Particle Swarm yang dimodifiasi dan ditingatan pendeatan Constriction Factor Based Particle Swarm Optimization (CFBPSO) untu menyelesaian permasalahan ED. Efetivitas metode tersebut diujian pada sistem standar IEEE bus dan sistem interonesi 5 V JawaBali.. etode.1. odel Persamaan Economic Dispatch Fungsi biaya bahan baar pada masingmasing unit pembangit dapat dinyataan fungsi uadrati yaitu : C i (P i )= α + β i P i + γ i P i Sehingga fungsi tujuan untu meminimalan total biaya bahan baar pembangitan dinyataan : N C t = min i=1 C i (P i ) () C t C i i α i, β i, dan γ i P i = total biaya bahan baar = biaya bahan baar unit i = unit pembangit = oofisien fungsi biaya bahan baar = daya eluaran untu unit i Dalam meminimalan total biaya bahan baar ini perlu memperhatian batas eangan sebagai beriut : 1. Total daya output pembangitan harus sama total permintaan beban di tambah total rugirugi transmisi, persamaan : N i=1 P i = P d + P l () P l = P i T BP i (4) dimana P l T P i P i B P d = rugirugi transmisi = daya output pembangit i di transpose = daya output pembangit i = oofisien rugirugi transmisi = daya permintaan beban. Batas emampuan unit i pertidasamaan : Pi, min Pi Pi, max (5) dimana Pi Pi, min Pi, max = daya eluaran unit i = daya pembangitan minimum unit i = daya pembangitan masimum unit.. Particle Swarm Optimization..1. Algoritma Dasar Particle Swarm Optimization [1]. Kennedy dan Elberhart (1995), memperenalan algoritma Particle Swarm Optimization (PSO) dimana proses algoritmanya terinspirasi dari perilau sosial binatang seperti seumpulan burung atau ian dalam mencari maanan. Dalam PSO setiap partiel berpindah dari posisinya semula e posisi yang lebih bai

3 TRANSISI, 15, (), 1, 8 suatu velocity. Algoritma PSO vetor velocity diupdate untu masingmasing partiel emudian menjumlahan vetor velocity tersebut e posisi partiel. Update velocity pada penerapan ED dipengaruhi oleh edua solusi yaitu global best yang berhubungan biaya yang paling rendah yang pernah diperoleh dari suatu partiel dan local best yang berhubungan biaya yang paling rendah pada populasi awal. Adapun persamaan algoritma dasar ini adalah sebagai beriut : v id = v id + c 1 r 1 Pbest id x id + c r (Gbest d x id ) () dan x id = x id + v id (7) v id v id x id x id = ecepatan partiel i, dimensi d pada epoch = ecepatan partiel i, dimensi d pada epoch = posisi partiel i, dimensi d pada epoch = posisi partiel i, dimensi d pada epoch r 1, r = nilai random antara dan 1 c 1, c = oofisien acceleration Pbest id = posisi terbai loal partiel i, pada epoch Gbest d = posisi terbai global partiel i, pada epoch... odified Improvement Particle Swarm Optimization (IPSO) Contriction Factor Clerc (1999) melauan penerapan constriction factor dienal istilah Contriction Factor Based Particle Swarm Optimization (CFBPSO). Peningatan dan modifiasi ini bertujuan untu menjamin suatu penelusuran dalam algoritma PSO untu onvergen lebih cepat [5][17][19]. Persamaan dinamis dari PSO, velocity dimodifiasi dan ditingatan menjadi: v id = CF (v id + c 1 r 1 Pbest id x id + c r (Gbest d x id ) (1) CF= dan φ φ 4φ (11) φ = c 1 + c dan φ > 4 (1) Algoritma IPSO dalam economic dispatch ditunjuan pada Gambar A odified Particle Swarm Optimization (PSO) Shi dan Eberhart (1998) melauan modifiasi PSO yang dienal istilah odified Particle Swarm Optimization (PSO) menerapan inertia weight untu menjaga eseimbangan penelusuran global dan loal sehingga dapat memberian performansi yang bai pada PSO [][8][14]. Persamaan dinamis dari PSO, velocity dimodifiasi menjadi: v id = w v id + c 1 r 1 Pbest id x id + c r (Gbest d x id ) (8) w i = w max w max w min i max i (9) dimana w i = inertia weight pada epoch i w max w min = inertia weight awal ahir i max = epoch masimum i = current epoch

4 TRANSISI, 15, (), 1, 9 ulai Input parameter IPSO Inisialisasi parameter IPSO Inisialisasi posisi partiel secara aca Inisialisasi velocity partiel secara aca Epoch = Evaluasi fungsi objetif pada A B. Hasil dan Analisa Dalam simulasi ini, penerapan IPSO dan ombinasi antara inertia weight contriction factor (IWCFPSO) dilauan pada sistem yaitu : 1. Sistem standar IEEE bus. Sistem interonesi 5 V JawaBali.1. Sistem standar IEEE bus [5]. Sistem standar IEEE bus yang diujian dalam penelitian ini terdiri atas bus, 41 saluran, dan pembangit total pembebanan 8 W. Data fungsi biaya bahan baar dan emampuan pembangitan ditunjuan pada Tabel 1. Kofisien rugirugi daya (loss cooficient) didapatan dari hasil aliran daya Newto Raphson sehingga didapatan oofisien losses (B) dalam satuan per unit (pu) sebagai beriut : B ij = Update velocity partiel i V id Jia nilai fitness partiel i X id lebih bai dari Pbest maa Pbest = X id A Update posisi partiel i X id Update Best of Pbest sebagai Gbest B Dalam asus ini digunaan parameter IPSO dimana nilai inertia weight (.9.4) dan contriction factor = 1 untu C 1 =C = sedangan contriction factor =.79 untu C 1 =C =.5 seperti yang digunaan penelitipeneliti sebelumnya sehingga setiap asus memilii 4 (empat) macam pencarian solusi terbai (Gbest). Parameter lainya yaitu masimum epoch/iterasi 1, uuran partiel 1, dan error gradient 1 5. Ya Epoch = Epoch + 1 Berhenti jia error 1 5 Tida Tabel 1. Fungsi Biaya dan Batasan Pembangitan Unit Fungsi Biaya ($/jam) Data Pembangit P1 +,154P P +,1587P P +,8P P4 +, P5 +,111P P +,1799P in (W) ax (W) Gbest sebagai solusi economic dispatch Selesai Gambar 1. Flowchart Algoritma IPSO Tabel. Perbandingan Hasil Simulasi Kasus IEEE bus Unit Quad. Progr. [] PSO [] CFBPSO Epoch

5 TRANSISI, 15, (), 1, 7 Quad. CFBPSO PSO Unit Progr. [] [].79 1 Daya beban (W) Daya total (W) Biaya ($/jam) Rugi daya (W) Gambar. Epoch pencarian solusi fitnes pada asus IEEE bus pembebanan 8 W Dari Tabel terlihat bahwa solusi paling optimal diperoleh metode IPSO pendeatan CFBPSO parameter CF=.79 biaya bahan baar minimum yaitu $ per jam. Pencarian solusi biaya tercapai pada jumlah epoch ditunjuan pada Gambar... Sistem interonesi 5 V JawaBali Sistem interonesi 5 V JawaBali terdiri atas 5 bus saluran, dan 8 pembangit. Pembangitpembangit tersebut adalah pembangit Suralaya, pembangit uaratawar, pembangit Cirata, pembangit Saguling, pembangit Tanjungjati, pembangit Gresi, pembangit Paiton, dan pembangit Grati. Pada 8 pembangit tersebut, terdapat pembangit Cirata dan Saguling sebagai pembangit tenaga air (PLTA) sedangan pembangit lainnya adalah pembangit thermal. Adapun Suralaya bertinda sebagai slac pembangit. Sedangan jenisjenis bus pada sistem interonesi 5 V Jawa Bali adalah sebagai beriut : a. Satu buah slac bus, yaitu bus pembangit Suralaya b. Tujuh buah generator sebagai generator bus, yaitu bus pembangit uaratawar, bus pembangit Tanjungjati, bus pembangit Cirata, bus pembangit Saguling, bus pembangit Gresi Baru, bus pembangit Paiton, dan bus pembangit Grati. c. Tujuh belas buah load bus, yaitu bus Cilegon, bus Kembangan, bus Gandul, bus Balaraja, bus Cibinong, bus Cawang, bus Beasi, bus Cibatu, bus Bandung Selatan, bus andirancan,bus Ungaran, bus Surabaya Barat, bus Depo, bus Ngimbang, bus Tasimalaya Baru, bus Pedan, dan bus Kediri. Adapun data bus, data pembangitan, dan data beban punca yang diperoleh dari data lapangan melalui PT. PLN (Persero) PB JawaBali yaitu menggunaan data pembebanan pada tanggal November 11 puul 19. seperti yang ditunjuan pada Tabel dimana total permintaan beban sebesar 158 W. Untu data saluran ditunjuan pada Tabel 4. Adapun fungsi biaya bahan baar masingmasing pembangit thermal ditunjuan pada Tabel 5. Untu data pembangit PLTA (Cirata Saguling) dalam simulasi economic dispatch menggunaan IPSO mengiuti pembangitan PLN yaitu 594 W untu Cirata dan W untu Saguling. Hal ini disebaban dalam pengoperasian PLTA tida memandang dari sisi pembangitannya, tetapi melihat dari pola pengoperasiam wadu, cadangan air dalam wadu, dan lainlainnya. Dalam simulasi IPSO digunaan data ofisien rugirugi transmisi yang didapatan dari program aliran daya menggunaan Newton Raphson sehingga didapatan oofisien rugirugi daya (B) dalam satuan per unit (pu) sebagai beriut : B ij = Data fungsi biaya bahan baar, batas emampuan pembangitan, data besar permintaan beban, dan data oofisien rugirugi daya tersebut emudian disimulasian pada IPSO untu mencari ombinasi daya eluaran masingmasing pembangit sehingga diperoleh total biaya bahan baar yang paling minimum. etode odified Improved Particle Swarm Optimization (IPSO) ini menggunaan pendeatan sama seperti asus IEEE bus yaitu Constriction Factor Based Particle Swarm Optimization (CFBPSO). Parameter IPSO yang digunaan dalam simulasi ini yaitu ofisien aselarasi C 1 = C = dan.5 sehingga contriction factor (CF) ada macam yaitu 1 dan.79. masimum epoch/iterasi = 5, uuran partiel 4, dan batasan error gradient 1 5. Tabel. Data Bus, Pembangitan, dan No Bus Suralaya Cilegon Cawang Balaraja Kembangan Beasi Gandul Cibinong Depo uaratawar Type Slac Vm ɸ Pembangitan W W

6 TRANSISI, 15, (), 1, 71 No Bus Tasi. Baru Cibatu Cirata Saguling Bandung Sel. andirancan Tanjungjati Ungaran Pedan Ngimbang Gresi Baru Surabaya Bar. Grati Kediri Paiton Type Vm ɸ Pembangitan W Total Tabel 4. Data Saluran dan Jenisnya W Hubungan Jenis R X 1/B Pengha dari e ntar pu pu pu 1 Dove Gannet Gannet Dove Dove Gannet Dove Dove Dove Dove Dove Dove Gennet Dove Gannet Dove Gannet Dove Gannet Dove Dove Gannet Dove Dove Dove Dove Gannet Gannet Gannet Gannet Tabel 5. Fungsi Biaya dan Batasan Pembangitan Pembangit Fungsi Biaya (Rp/jam)x1 Pin Pax Suralaya uaratawar Tanjungjati Gresi Grati Paiton P1.79P P.11P P+.48P P4+.7P P5.75P P.5P Tabel. Hasil Simulasi Sistem 5 V JawaBali Pembangit Data Operasi PLN CF=.79 CFBPSO CF=1 (W) (Rp/jam) x 1 Suralaya uaratawar Cirata Sagulimg... Tanjungjati Gresi Grati Paiton Daya total (W) Biaya (Rp1/jam) Jumlah epoch 788 Rugi daya (W) Redusi Biaya (Rpx1/jam) Gambar. Epoch Pencarian Solusi Kasus Sistem Jawa Bali Hasil simulasi yang dibandingan data operasi PLN ditunjuan pada Tabel. Dalam asus ini terlihat bahwa solusi paling optimal eonomi yaitu metode IPSO pendeatan CFBPSO CF = 1 total biaya minimum per jam yaitu Rp , sehingga mampu meredusi biaya sebesar Rp , dibanding data operasi PT. PLN (Persero) yaitu sebesar Rp , per jam. Pencarian solusi biaya tercapai pada jumlah epoch ditunjuan pada Gambar. 4. Kesimpulan 1. Untu asus IEEE bus pada pembebanan 8 W, metode IPSO pendeatan CFBPSO mampu memberian solusi paling optimal eonomi dibanding metode pendeatan lainnya yaitu PSO, IWCFPSO, dan QP.

7 TRANSISI, 15, (), 1, 7. Untu simulasi pada sistem 5 V Jawa Bali dimana hasil simulasi pembebanan punca tanggal November 11 pada puul 19. WIB menunjuan bahwa metode IPSO pendeatan CFBPSO mampu memberian solusi paling optimal eonomi yaitu Rp , per jam dibandingan data operasi pada PT. PLN (Persero) yaitu sebesar Rp , per jam sehingga metode yang diusulan mampu meredusi biaya sebesar Rp , per jam jumlah epoch pencarian. Referensi Journal: [1]. Jizhong. Optimization of Power System Operation Principal Engineer. AREVA T & D Inc. Redmond, WA, USA, IEEE series of Power Engineering. 9. []. Hardiansyah, Junaidi, S. Yohannes. Solving Economic Load Dispatch Problem Using Particle Swarm Optimization Technigue. I.J. Intelligent Sistem and Application. 1; page: 118. []. Adrianti. Penjadwalan Eonomis Pembangit Thermal emperhitungan Rugirugi Saluran Transmisi enggunaan etode Algoritma Geneti. Jurnal TeniA Jurusan Teni Eletro, Faultas Teni, Universitas Andalas. April 1; page vol. 1. [4]. ZweLee Gaing. Particle Swarm Optimization to Solving The Economic Dispatch Considering The Generator Constraints. IEEE Transaction on Power Sistem. August ; Vol. 18, No.. [5]. Steven Young, oh. ontahab, Hassan Nouri. A Constriction Factors based Particle Optimization Algorithm to Solve The Economic Dispatch Problem Including Losses. International Journal of Innovations in Energy Sistem and Power. July 11; Vol., No. 1. []. Kwang Y. Lee, Fellow, JongBae Par. Application of Particle Swarm Optimization to Economic Dispatch Problem Advantages and Disadvantages. Journal IEEE. ; seri X. [7]. Pichet. Sriyanyong. Particle Swarm Optimization : Development and Implementationn. Academic paper, Department of Teacher Training in Electrical Engineering, Faculty of Technical Education, King ongut s University of Technology North Bango. [8]. Andi uh. Ilyas,. Natsir Rahman. Economic Dispatch Thermal Generator Using odified Improved Particle Swarm Optimization. Jurnal Telomnia. July 1; Vol. 1, No., pp [9]. Qinghai Bai. Analysis of Particle Swarm Optimization Algorithm. Computer and Informatic Science Journal. Feb.1; Vol. No 1. [1]. Z.X. Liang, J. D. Glover. A Zoom Feature For a Dynamic Programming Solution to Economic Dispatch Including Transmission Losses. IEEE Transactions on Power Systems, 199; page [11]. Anula Khare, Saroj Rangnear. Particle Swarm Optimization : A Review. Journal Department of Energy, aulana Azad National Institute of Technology, Bhopal 451, India. [1]. Xiaohong Qiu, Jun Liu, Xuemei Ren. The Random Factors in Particle Swarm Optimization. Journal IEEE. 9; seri [1]. CheunYau Chen, ChenHsueh Chuang, engcian Wu. Combining Concepts of Inertia Weights and Constriction Factors in Particle Swarm Optimization. Journal IEEE. 1; seri /1. Proceeding: [14]. Y.Shi, R.Eberhart. A odified Particle Swarm Optmizer. Proc. IEEE Int. Conf. Evol. Comput. ay 1998; pp97. [15]. ohatram, S Kumar. Application of Artificial Neural Networ in Economic Generation Scheduling of Thermal Power Plants. Proceedings of the National Conference.. [1].. Sudhaaran, P. Ajay, D. Vimal Raj, T.G. Palanivelu. Application of Particle Swarm Optimization for Economic Load Dispatch Problem. International Conference on Intelligent Sistem Application to Power Sistem. Nov. 7; page 48. [17].. Clerc. The Swarm and The Queen: Towards a Deterministic and Adaptive Particle Swarm Optimization. Proc Congress on Evolutionary Computation, Washington, DC Piscataway, NJ: IEEE Service Centre, 1999; pp [18]. R.C. Eberhart, Y. Shi. Comparing Inertia Weight and Constriction Factors in Particle Swarm Optimization. Proceding of the Congress on Evolutionary Computation. ; Vol. 1,,pp [19]. A. Ilyas, Ontoseno Panangsang, Adi Soeprijanto. Optimisasi Pembangit Thermal Sistem 5 V Jawa Bali enggunaan odified Particle Swarm Optimization (IPSO). National Conference : Design and Application of Technology, 1. []. aicel Tuegeh, Adi Soeprijanto, auridhi Hery P. Optimal Generator Scheduling based on Particle Swarm Optimization. Seminar Nasional Informatia UPN Veteran Yogyaarta. ei 9; ISSN : [1]. J. Kennedy, R. C. Eberhart. Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networs (ICNN 95). 1995; []. Y. Shi, R. C. Eberhart. Particle Swarm Optimization: Development, Applications, and Resources. Proceedings of the 1 Congress on Evolutionary Computation. 1; 1: 818. []. XianHan Chien, WiePing Lee, ChenYi Liao, JangTing Dai. Adaptive Constriction Factors for LocationRelated Particle Swarm. Proceeding of the 8 th WSEAS International Conference on Evolutionary Computing, Vancouver, British Columbia, Canada, June 7; 191. [4]. Zhiyu You, Weirong Chen, Xiaoqiang Nan. Adaptive Weight Particle Swarm Optimization Algorithm With Constriction Factors. International Conference of Information Science and anagement Engineering, 1. Texboos: [5]. Hadi Saadat. Power System Analysis. New Delhi: Tata cgraw Hill Publishing Company. 1. []. Budi Santoso, Paul Willy. etoda etaheuristi Konsep dan Implementasi. Surabaya: Guna Widaya. April 11 [7]. William D Stevenson, Jr. Power System Analysis Copyright 5th edition, Erlangga. 199.