PENEMPATAN LOKASI OPTIMAL STATIC VAR COMPENSATOR (SVC) DENGAN ALGORITMA ARTIFICIAL BEE COLONY

Transkripsi

1 PENEMPATAN LOKASI OPTIMAL STATIC VAR COMPENSATOR (SVC) DENGAN ALGORITMA ARTIFICIAL BEE COLONY Hadi Suyono 1, RiniNurHasanah 2, Khairina Noor. A. 3 Jurusan Teknik Elektro, UniversitasBrawijaya Jalan MT. Haryono 167, Malang 65145, Indonesia 1 hadis@ub.ac.id, 2 rini.hasanah@ub.ac.id, 3 khairinana@yahoo.com Abstrak Relaibilitas dan perbaikan profil tegangan merupakan hal penting dalam menjaga kualitas sistem tenaga listrik (STL). Operasi STL dengan profil tegangan yang baik akan memberikan dampak berkurangnya rugi-rugi daya pada jaringan. Kompensasi daya reaktif adalah cara dalam mengatasi persoalan tegangan dan rugi-rugi daya dengan cara menginjeksi daya reaktif STL menggunakan bank kapasitor, devais kontrol pada saluran transmisi yang disebut dengan Flexible Alternatig Current Transmission System (FACTS) termasuk didalamnya Static VAR Compensator (SVC). Disamping itu, permasalahan penempatan lokasi dan ukuran kompensasi daya reaktif optimal adalah menjadi perhatian pada makalah ini. Solusi penempatan lokasi dan ukuran injeksi daya reaktif SVC optimal dengan Algoritma Artificial BeeColony(ABC) yang merupakan metode optimasi berbasis kecerdasan buatan dengan berbasis perilaku lebah digunakan pada makalah ini. Algoritma ABC ini diaplikasikan pada data STL 26 Bus dan 8 generator, dengan tiga kondisi pembebanan, yaitu 100%, 80%, dan 60%. Pada kasus pembebanan 100%, diperoleh penurunan sebesar 11,87% dan 12,14% untuk rugi daya aktif dan reaktif berturutturut. Pada pembebanan 80%, diperoleh penurunan sebesar 8,92% dan 9,14%, sedangkan pada pembebanan 60% diperoleh penurunan 7,39% dan 7,68%. Pemasangan SVC juga mampu memperbaiki level tegangan kritis hingga berada pada standar yang diijinkan. Kata kunci : penempatan optimal, injeksi daya reaktif, rugi daya, SVC, algoritma artificial bee colony 1. Pendahuluan Peningkatan kebutuhan akan energi listrik semakin hari semakin meningkat yang menuntut pemerintah dan perusahaan penyedia listrik mencari alternatif penyediaan sumber-sumber energy baru. Peningkatan beban dengan tanpa diiringi suplai sumber yang mencukupi akan mempengaruhi performa sistem daya listrik tersebut seperti penurunan kualitas tegangan, penurunan frekuensi kerja, dan peningkatan rugi-rugi daya sistem. Kualitas tegangan sangat dipengaruhi oleh ketersediaan sumber daya reaktif pada sistem (Morison, Wang, dan Kundur, 2004). Permasalahan lain yang sering dijumpai dalam operasi sistem tenaga listrik adalah letak gardu induk yang berada sangat jauh dari sistem pembangkit sehingga mengakibatkan penurunan level tegangan yang cukup signifikan. Level tegangan turut berdampak pada kualitas daya yang dihasilkan. Fenomena tersebut disebabkan kawat saluran mempunyai nilai resistansi, induktansi dan kapasitansi, sehingga menimbulkan jatuh tegangan sepanjang saluran serta rugi daya. Permasalahan tersebut dapat diatasi dengan cara mengkompensasi daya reaktif menggunakan bank kapasitor (Jintakosonwit, Srianthumrong, dan Jintagosonwit, B ), atau dengan perangkatflexible AC Transmission System (FACTS). FACTS adalah sistem berbasis elektronika daya yang terdiri dari peralatan statis yang digunakan untuk mengontrol saluran transmisi AC untuk meningkatkan kemampuan transfer daya dari jaringan. Contoh peralatan FACTS adalah StaticCompensator (StatCom), Static Var Compensator (SVC), Unified Power Flow Control (UPFC), dan devais lainnya digunakan untuk menstabilkan level tegangan serta mengurangi rugi-rugi daya yang dapat dikontrol melalui sudut penyalaan thyristor(acha, Enrique, 2004). Masalah selanjutnya adalah penentuan posisi serta kapasitas ukuran daya reaktif optimal dari SVC yang akan digunakan. Banyak metode optimalisasi yang dapat digunakan untuk menyelesaikan persoalan ini baik dengan menggunakan metode deterministic yang berbasis matematika maupun metode undeterministic berbasis probalitas stokastik dan artificial inttellegen t(suyono,2011). Pada penelitian ini digunakan metode optimasi artificial bee colony algorithm, suatu metode metaheuristik berbasis kecerdasan lebah dalam pencarian makanan (Bolaji dan Khader, 2013).

2 2. Static VAR Compensator(SVC) SVC merupakan salah satujenisperangkat FACTS tipe impedance variable yang berfungsi baik untuk membangkitkan maupun menyerap daya reaktif. Pada bentuk yang paling sederhana, SVC terdiri atas thyristor controlled reactor (TCR) yang dipasang secara parallel dengan kapasitor bank. Prinsip kerja SVC secara umum adalah mengompensasi daya reaktif dengan cara mengatur sudut penyalaan thyristor sehingga dapat mengatur keluaran daya reaktif dari SVC (Sadikvic,2006). Representasi permodelan SVC yang terhubung pada saluran i dan j ditunjukkan pada Gambar1. Gambar 1. Representasi SVC Daya reaktif yang diinjeksikan pada titik j dituliskan dalam persamaan berikut (Saadat,1999): (1) = daya reaktif pada titik j = tegangan pada titik j =, dan adalah suseptansi pada fixed capacitor dan TCR (c) Lebah onlooker memilih sumber makanan berdasarkan persamaan probabilitas sebagai berikut : (4) = probabilitas pemilihan, SN = jumlah sumber makanan, = posisi lebah pekerja = nilai fitness (d) Lebah pekerja yang meninggalkan sumber makanan berubah menjadi lebah scout.lebah scout mencari sumber makanan baru yang dijabarkan dengan persamaan : (5) Terdapat tiga parameter control utama yang digunakan dalam algoritma ABC, yaitu: jumlah sumber makanan yang sama dengan jumlah lebah pekerja atau lebah onlooker (SN), nilai limit, dan jumlah siklus maksimum (MCN). Diagram aliri mplementasi artificial bee colony algorithm ditunjukkan pada Gambar 2. START Analisis aliran daya dengan Newton - Rapshon dan didapatkan nilai rugi daya aktif awal Iterasi = 1 Inisialisasi parameter awal ABC algorithm serta posisi dan kapasitas SVC menggunakan rumus 18 fitness 3. Algoritma Artificial Bee Colony (ABC) Pada algoritma ABC, koloni lebah terdiri atas tiga kelompok lebah, yakni lebah pekerja, lebah onlooker, dan lebah scouts. Langkah langkah utama dari algoritma ABC diberikan seperti di bawah ini (Prajapati, 2012): (a) Inisialisasi sumber makanan awal secara acak (2) Meletakkan lebah pekerja ke sumber makanan baru dengan menggunakan rumus 19 fitness dan dilakukan greedy selection Menghitung probabilitas masing masing baris menggunakan rumus 20 Menentukan populasi onlooker berdasarkan nilai probabilitas = posisi lebah pekerja i = 1 : SN (sumber makanan) j = 1: N (jumlah koloni) r = nilai random [0,1] (b) Masing-masing lebah pekerja akan mencari sumber makanan baru dihasilkan dengan persamaan : (3) Tidak fitness dan dilakukan greedy selection Menghitung nilai error = (fitnessmaks fitnessmin) Nilai error < toleransi Tidak Membangkitkan solusi baru pengganti sumber makanan yang ditinggalkan dengan rumus 21 Iterasi = Iterasi +1 Ya x = posisi lebah pekerja t = jumlah iterasi Kriteria terpenuhi?(siklus = MCN) Ya Nilai kapasitas dan posisi terbaik SVC STOP = lebah yang terpilih secara acak dan k = urutan variable acak [0,1] Gambar2. Diagram AlirImplementasi ABC Algorithm B-111

3 Dalam melakukan optimasi, tegangan V i tiap bus diupayakan berada pada batas rentang sebagai berikut:, i = nomor bus, V min = 0,95 pu, V max = 1,05 pu 4. Analisis dan Pembahasan Pada penelitian ini, analisis dilakukan pada tiga macam kondisi pembebanan, yaitu pembebanan puncak 100%, pembebanan rata rata 80%, dan pembebanan rendah 60%. A. Analisis Aliran Daya Sistem Test Sistem tenaga listrik terdiri atas 26 bus, dengan rincian sebagai berikut: 1 Bus slack,7 bus generator, dan 18 bus beban. Sementar aitu, data saluran sistem terdiri atas 31 cabang saluran. Penyelesaian permasalahan aliran daya ini didasarkan pada:dasar tegangan500 kv, dasar daya 1000 MVA, akurasi 0,001, dan iterasi maksimum 200. Hasil analisis load flow menggunakan metode Newton Raphson memberikan nilai rugirugi daya sistem transmisi dan tegangan bus. Nilai tegangan bus dengan range di luar standar yang diijinkan sebelum pemasangan SVC pada kondisi pembebanan 100%, 80%, dan 60% ditunjukkan berturut-turut pada Tabel 1, 2, dan 3. Tabel 1. Nilai tegangan di bawah standar pada pembebanan 100% 15 0,9178 Undervoltage 16 0,9371 Undervoltage 17 0,9257 Undervoltage 19 0,9205 Undervoltage 20 0,8944 Undervoltage 25 0,9135 Undervoltage Dari Tabel 1, nilai tegangan pada bus 15, 16, 17, 19, 20, dan 25 berada di bawah standar, yaitu 0,95 p.u. Rugi daya baik aktif maupun reaktif yang dihasilkan pada pembebanan 100% adalah 154,9537 MW dan 1595,20MVAR. Tabel 2. Nilai tegangan di bawah standar pada pembebanan 80% 15 0,9364 Undervoltage 17 0,9419 Undervoltage 19 0,9376 Undervoltage 20 0,9175 Undervoltage 25 0,9323 Undervoltage Seperti yang ditunjukkan pada Tabel 2, jumlah bus dengan nilai tegangan dibawah standar lebih sedikit dibanding pada pembebanan 100%, yaitu bus 15, 17, 19, 20, dan 25. Rugi daya baik aktif maupun reaktif yang dihasilkan pada pembebanan 80% adalah 96,87 MW dan 985,34 MVAR. B-112 Tabel 3. Nilai tegangan di bawah standar pada pembebanan 60% 20 0,9447 Undervoltage Seperti ditunjukkan pada Tabel 3, hanya terdapat satu bus dengan nilai di bawah standar pada pembebanan 60%, yaitu bus 20.Rugi daya baik aktif maupun reaktif yang dihasilkan pada pembebanan 60% adalah 53,62 MW dan 530,85MVAR.Nilai parameter artificial bee colony yang digunakan adalah: 1. Jumlah sumber makanan (SN) = Nilai limit = Siklus maksimum (MCN) = 100 B. Hasil Optimasi SVC pada Kondisi Pembebanan 100% Setelah dilakukan pemasangan SVC dengan range kapasitas MVAR, maka didapatkan nilai perbaikan tegangan seperti yang ditunjukkan pada Gambar3. Gambar 3. Profil Tegangan Sebelum dan Sesudah Optimasi Pada Pembebanan 100% Sesuai dengan tujuan pemasangan SVC, Gambar 4 dan 5 masing masing menunjukkan dampak injeksi daya reaktif SVC. Terlihat bahwa terjadi penurunan rugi- rugi daya aktif secara keseluruhan. Gambar 4.Rugi Daya Aktif Sebelum dan Sesudah Optimasi Pada Pembebanan 100%

4 Gambar 5.Rugi Daya Reaktif Sebelum dan Sesudah Optimasi Pada Pembebanan 100% Besar daya reaktif injeksi dan posisi paling colony algorithm masing masing adalah 131,158 MVAR pada bus 7, 200 MVAR pada bus 19 dan 20, 119,866 MVAR pada bus 21, 27,688 MVAR pada bus 25 serta 49,737 MVAR pada bus 26. Setelah pemasangan SVC didapatkan penurunan rugi daya aktif dan reaktif sebesar 88,2260 MW dan 895,297 MVAR. Atau, masing masing turun sebesar 8,92 % dan 9,14%. Besar daya reactif injeksi dan posisi paling colony algorithm masing masing adalah 192,8656 MVAR pada bus 11, 300 MVAR pada bus 14, 300 MVAR pada bus 19, 300 MVAR pada bus 20, dan 300 MVAR pada bus 22, dan 300 MVAR pada bus 25. Setelah pemasangan SVC didapatkan penurunan rugi daya aktif dan reaktif sebesar 136,557 MW dan 1401,551MVAR. Atau, masing masing turun sebesar11,87 %dan 12,14%. C. Hasil Optimasi SVC Pada Kondisi Pembebanan 80% Setelah pemasangan SVC, didapatkan hasil perbaikan tegangan pada masing masing bus sebagaimana yang ditunjukkan pada Gambar 6. Gambar 8.Rugi Daya Reaktif Sebelum dan Sesudah Optimasi Pada Pembebanan 80% D. Hasil Optimasi SVC Pada Kondisi Pembebanan 60% Setelah pemasangan SVC, didapatkan hasil perbaikan tegangan pada masing masing bus seperti yang ditunjukkan pada Gambar 9. Gambar 6. Profil Tegangan Sebelum dan Sesudah Optimasi Pada Pembebanan 80% Sementara itu, hasil pengurangan daya aktif dan reaktif masing masing ditunjukkan pada Gambar 7 dan 8. Gambar 9. Profil Tegangan Sebelum dan Sesudah Optimasi Pada Pembebanan 60% Sementara itu, hasil pengurangan daya aktif dan reaktif masing masing ditunjukkan pada Gambar 10 dan 11. Gambar 7.Rugi Daya Aktif Sebelum dan Sesudah Optimasi Pada Pembebanan 80% B-113

5 pada permbebanan 80%, dan 7,39% dan 7,68% pada pembebanan 60%.Semakin rendah tingkat pembebanan, kapasitas SVC yang digunakan akan semakin kecil dan persentase pengurangan rugi daya paling besar adalah ketika pembebanan maksimum. Gambar 10.Rugi Daya Aktif Sebelum dan Sesudah Optimasi Pada Pembebanan 60% Besar daya reaktif injeksi dan posisi paling colony algorithm masing masing adalah 53,683 MVAR pada bus 13, 80,849 MVAR pada bus 14, 100 MVAR pada bus 15, 20, 21, dan 25.Setelah pemasangan SVC didapatkan penurunan rugi daya aktif dan reaktif sebesar 49,6491 MW dan 490,061 MVAR, atau masing masing turun sebesar 7,39 % dan 7,68%. Gambar 11.Rugi Daya Reaktif Sebelum dan Sesudah Optimasi Pada Pembebanan 60% 5. Kesimpulan Dari analisis dan perhitungan simulasi yang telah dilakukan diperoleh beberapa kesimpulan sebagai berikut: (a) Implementasi algoritma Artificial bee colony yang digunakan untuk menyelesaikan persolan penentuan lokasi dan besar daya SCV optimal dengan nilai parameter adalah jumlah sumber makanan (SN) = 20, nilai limit = 100, Siklus maksimum (MCN) = 100. Lokasi terbaik dan besar injeksi daya reaktif yang diperlukan sistem telah memberikan dampak bahwa pemasangan SVC mampu mengatasi permasalahan tegangan sehingga level tegangan semua bus mampu memenuhi batas tegangan yang diijinkan. (b) SVC juga turut mengurangi rugi rugi saluran transmisi. Terjadi penurunan rugi dayabaik aktif maupun reaktif sebesar 11,87% dan 12,14 % pada pembebanan 100%, 8,92% dan 9,14% Daftar Pustaka Acha, Enrique FACTS Modellingand Simulationin Power Networks. John Willey & Sons, England. Bolaji, A. Khader, A Artificial Bee Colony Algorithm, Its Variants and Application : a Survey. Journal of Theoritical and Applied Information Technology, Vol 7, No 2 Morison, K. ; Wang, L. ; Kundur, P Power system security assessment, IEEE Power and Energy Magazine, Volume: 2, Issue: 5, Page(s): Jintakosonwit, P.; Srianthumrong, S.; Jintagosonwit, P., 2007, Implementation and Performance of an Anti-Resonance Hybrid Delta-Connected Capacitor Bank for Power Factor Correction, IEEE Transactions on Power Electronics, Volume: 22, Issue: 6, Page(s): Prajapati, Singh Multi Objective Reactive Power Optimization Using Artificial Bee Colony Algorithm. International Journal of Engineering and Innovative Technology, Vol 2. July Saadat, Hadi Power System Analysis. Mc Graw Hill, Inc, Singapore. Sadikvic, Rusejla Use of FACTS Devices for Power Flow Control and Damping of Oscillationin Power System. Dissertation. Institute of Technology Zurich, Swiss Suyono, H. 2011, Scheduling of Thermal Generating Units With Consideration of Maximum Tolerable Insecurity Level (MTIL) By Using Genetic Algorithm, International Journal of Academic Research; Nov2011, Vol. 3 Issue 6, Page(s): B-114