Emission dan Economic Dispatch pada Sistem Kelistrikan Micro Grid menggunakan Multiobjective Genetic Algorithm Optimization

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Emission dan Economic Dispatch pada Sistem Kelistrikan Micro Grid menggunakan Multiobjective Genetic Algorithm Optimization Primaditya Sulistijono, Ontoseno Penangsang, dan Rony Seto Wibowo Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia zenno_379@yahoo.com Abstrak Kebutuhan daya listrik saat ini meningkat pesat seiring dengan perkembangan teknologi. Peningkatan kebutuhan daya listrik ini bertolak belakang dengan menipisnya ketersediaan sumber energi yak dan batu bara. Permasalahan ini berdampak pada ketahanan listrik nasional. Untuk memenuhi kebutuhan daya listrik yang besar dengan cakupan wilayah yang luas diperlukan pembangkit-pembangkit tersebar berskala kecil. Pembangkit tersebar ini diupayakan bersumber pada energi terbarukan untuk meimalkan pemakaian dari sumber energi yak dan batu bara lalu dihubungkan ke grid utama PLN melalui Micro Grid. Oleh karena banyaknya pembangkit tersebar ini maka penting untuk menentukan besarnya pembangkitan daya listrik yang optimal dari masing-masing pembangkitnya sehingga kebutuhan daya listrik dapat dipenuhi dengan biaya dan yang imal. Optimisasi ini dikenal dengan istilah Emission dan Economic Dispatch. Optimisasi ini sudah banyak dilakukan dengan berbagai macam metode Artificial Intelligence. Pada tugas akhir ini, metode Artificial Intelligence yang diaplikasikan yakni Multiobjective Genetic Algorithm. Metode ini diterapkan pada software Matlab. Kata Kunci Emission/Economic Dispatch, Genetic Algorithm, Micro Grid, Multiobjective Optimization. T I. PENDAHULUAN ENAGA listrik merupakan salah satu kebutuhan yang sangat penting dalam kehidupan manusia. Pertaan daya listrik yang terus bertambah menyebabkan daya listrik yang harus disuplai oleh pembangkit menjadi sangat besar. Sumber energi yang dapat diperbaharui serta ekonomis adalah faktor penentu perkembangan industri yang bisa meningkatkan standar hidup masyarakat. Sejak revolusi industri, kebutuhan energi listrik meningkat tajam [1]. Sebagai bentuk yang baik dalam membangkitkan daya yang besar dengan cakupan wilayah yang luas, sistem pembangkitan tersebar menjadi penting untuk memenuhi pertaan beban, menaikkan keandalan, dan sebagainya. Economic dispatch (ED) merupakan hal penting dalam kontrol dan operasi pada sistem tenaga [2]. Fungsi utama dari ED adalah untuk menjadwalkan pembangkitan dari setiap pembangkit yang beroperasi untuk dapat memenuhi kebutuhan beban pada biaya pembangkitan paling imal [3]. Beberapa sumber energi listrik yang dimodelkan yaitu, mikro, generator diesel, sel, dan sel bahan bakar. Beberapa dari sumber ini adalah energi terbarukan seperti dan sel sehingga masukan bahan bakar hanya diperlukan untuk sumber generator diesel, sel bahan bakar, dan mikro [4]. Untuk memenuhi pertaan beban, energi listrik dapat dihasilkan secara langsung oleh sumber-sumber energi listrik diatas. Sumber-sumber energi listrik ini diintegrasikan ke grid utama melalui sistem Micro Grid. Masing-masing komponen dalam sistem Micro Grid dimodelkan terpisah sesuai dengan karakteristik dan konstrainnya. Grid Utama menyeimbangkan perbedaan antara kebutuhan beban dan keluaran generator dari sumber mikro. Maka, ada biaya pengeluaran untuk membeli energi listrik ketika sumber mikro kekurangan dalam memenuhi kebutuhan beban. Di lain sisi, ada pemasukan dari penjualan energi listrik ketika sumber mikro menghasilkan energi listrik lebih besar dari kebutuhan beban tetapi tarif dari penjualan energi listrik lebih kecil daripada tarif pembeliannya. Ada kemungkinan apabila tidak ada energi listrik yang terjual sama sekali [5]. Selain dari biaya operasi, faktor yang sangat penting untuk dianalisis yaitu terhadap lingkungan. Pembangkit yang bukan bersumber pada energi terbarukan masih memerlukan bahan bakar yak dan batu bara untuk beroperasi. Sehingga berdampak pada pencemaran lingkungan khususnya pada atmosfer. Polusi sulphur oxides (SO 2), carbon oxides (CO 2), dan nitrogen oxides (NO X) pada atmosfer harus diimalkan karena berbahaya [6]. Maka dari itu, penting untuk menentukan pembangkitan daya listrik dengan biaya dan yang imal dari masing-masing pembangkit tersebar dalam sistem Micro Grid. II. SISTEM KELISTRIKAN MICRO GRID A. Model Operasi Sistem Micro Grid Model operasi sistem Micro Grid yang dipakai adalah grid-connected. Dengan tipe operasi ini, PLN diintegrasikan kedalam sistem Micro Grid sehingga pembangkit tersebar yang terpasang tidak secara mandiri menanggung semua beban dalam sistem. Beberapa sumber energi listrik yang dimodelkan dalam sistem Micro Grid ini yaitu, mikro, generator diesel, sel, dan sel bahan bakar seperti pada gambar 1. Beberapa dari sumber energi listrik ini merupakan energi terbarukan seperti dan sel.

2 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Gambar. 1. Sistem Kelistrikan Micro Grid B. Turbin Angin Dalam penelitian ini, digunakan AIR403. Didapatkan persamaan seperti yang ditunjukkan pada persamaan 1 [7]: P 0, WT P av bv c, 2 WT ac ac WT, r 130, P WT WT V ac V ci V V V ci ac r V V V r ac co P J P (1) dimana P WT,r, V ci, dan V co adalah rating daya, kecepatan cut-in dan cut-out. Sedangkan V r dan V ac adalah kecepatan rating dan aktual. J adalah jumlah terpasang. Parameter yang digunakan adalah sebagai berikut: a = 3.4; b = -12; c = 9.2; P WT,r = 130 watt; V ci = 3.5 m/s; V co = 18 m/s; V r = 17.5 m/s. C. Sel Surya keluaran dari modul sel dapat dihitung dengan persamaan 2 [7]: G ING PPV M PSTC (1 k TC Tr ) GSTC dimana P PV adalah daya keluaran dari modul saat radiasi G ING, P STC adalah daya maksimum modul saat STC, G ING adalah rasdiasi aktual, G STC adalah radiasi saat STC 1000 W/m 2, M adalah jumlah modul sel, k adalah koefisien suhu untuk daya modul, T C adalah suhu sel, T r adalah referensi suhu. Dalam penelitian ini, digunakan modul sel SOLAREX MSX-83. Karakteristik dari modul ini yaitu: daya maksimum = 83 W, tegangan saat daya maksimum = 17.1 V, arus saat daya maksimum = 4.84 A, arus short circuit = 5.27 A, and tegangan open circuit = 21.2 V saat STC. D. Sel Bahan Bakar Dalam penelitian ini, digunakan Protone Exchange Membrane (PEM) Fuel Cell 50 kw. Biaya operasi untuk sel bahan bakar ditunjukkan pada persamaan 3 [7]: CF P C * FC FC nl P (3) dimana C nl adalah harga gas alam untuk menyuplai sel bahan bakar, P FC adalah daya listrik netto dari sel bahan bakar, dan η adalah efisiensi sel bahan bakar. (2) E. Turbin Mikro Dalam penelitian ini, digunakan 30 kw Capstone C30 Micro Turbine. Model mikro ini mirip dengan sel bahan bakar. Namun, parameternya dimodifikasi untuk menggambarkan performansi real-nya. Biaya operasi untuk mikro ditunjukkan pada persamaan 4 [7]: CF P C * MT MT nl P (4) dimana C nl adalah harga gas alam untuk menyuplai mikro, P MT adalah daya listrik netto dari mikro, dan η adalah efisiensi mikro. F. Generator Diesel Generator Diesel adalah jenis yang paling umum digunakan dalam teknologi Micro Grid saat ini. Biaya operasi dari sistem dapat dinyatakan sebagai fungsi daya keluaran dan dapat dimodelkan dengan polinomial kuadrat. Biaya operasi untuk generator diesel ditunjukkan pada persamaan 5 [7]: 2 CF P a b P c P DG DG DG (5) dimana a, b, dan c adalah koefisien generator, P DG adalah keluaran daya dari generator diesel. Dalam penelitian ini, digunakan 6-kW diesel generator set (Cums Power) model DNAC 50 Hz. Parameter yang digunakan adalah sebagai berikut: a = , b = , dan c = G. PLN PLN menyeimbangkan perbedaan antara kebutuhan beban dan keluaran generator dari sumber mikro. Maka, ada biaya pengeluaran untuk membeli energi listrik ketika sumber mikro kekurangan dalam memenuhi kebutuhan beban. Di lain sisi, ada pemasukan dari penjualan energi listrik ketika sumber mikro menghasilkan energi listrik lebih besar dari kebutuhan beban tetapi tarif dari penjualan energi listrik lebih kecil daripada tarif pembeliannya. Dalam penelitian ini, total pemasukan dari penjualan daya ke PLN dimodelkan pada persamaan 6: Cp ln Up ln Tjual Up ln TotR Load TotR Ppv Pwt (6) dimana Cpln adalah total harga yang dijual ke PLN, Upln adalah daya yang dijual ke PLN, Tjual adalah tarif jual ke PLN, TotR adalah total daya Renewable Generator, Load adalah total beban, Ppv adalah total daya sel, dan Pwt adalah total daya. Sedangkan total pengeluaran dari pembelian daya PLN dimodelkan pada persamaan 7: Dp ln Vp ln Tbeli Vp ln Load TotR TotG TotG P P P (7) FC MT DG dimana Dpln adalah total harga yang dibeli dari PLN, Vpln

3 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) adalah daya yang dibeli dari PLN, Tbeli adalah tarif beli dari PLN, TotG adalah total daya maksimum generator berbahan bakar, P FC adalah daya maksimal dari sel bahan bakar, P MT adalah daya maksimal dari mikro, P DG adalah daya maksimal dari generator diesel. Parameter yang digunakan dalam penelitian ini yaitu: Tjual = 600, Tbeli = 900, P FC = 50, P MT = 30, dan P DG = 6. III. EMISSION DAN ECONOMIC DISPATCH A. Level Emission Beberapa pembangkit listrik dalam beroperasi akan menghasilkan gas buang yang disebut. Emisi tersebut berupa Sulfur Dioksida (SO 2), Carbon Dioksida (CO 2), dan Nitrogen Oksida (NO X). Dalam penelitian ini, fungsi dari total pembangkit tersebut ditunjukkan dalam persamaan 8 [8]: P E P P P FC FC FC FC MT MT MT MT DG DG DG DG (8) dimana E(P) adalah total generator berbahan bakar, α FC, α MT, dan α DG adalah koefisien non-negatif dari SO 2, β FC, β MT, and β DG adalah koefisien non-negatif dari CO 2, γ FC, γ MT, and γ DG adalah koefisien non-negatif dari NOx. Parameter yang digunakan dalam penelitian ini ditunjukkan pada tabel 1 [8]: Tabel 1. Faktor dari ketiga pembangkit berbahan bakar Faktor Emisi DG FC MT α β γ B. Economic Dispatch Economic Dispatch merupakan pembagian pembebanan pada pembangkit untuk beroperasi secara ekonomis pada kondisi beban sistem tertentu. Fungsi dari total biaya operasi pembangkit dinyatakan dalam persamaan 9: CF P CF P CF P CF P FC MT DG (9) dimana CF(P) adalah total biaya operasi generator berbahan bakar. C. Constraints Dalam penelitian ini, terdapat dua constraint yaitu equality constraint dan inequality constraint. Constraint ini ada sebagai batasan dan syarat untuk sistem ini beroperasi. Equality Constraint merupakan batasan yang merepresentasikan keseimbangan daya dalam sistem. Fungsi persamaannya dinyatakan dalam persamaan 10: Pnet PL PPV PWT (10) dimana Pnet adalah beban netto dari sistem Micro Grid. Inequality Constraint merupakan batasan yang merepresentasikan kapasitas daya dari pembangkit. Fungsi pertidaksamaannya dinyatakan dalam persamaan 11: P P P FC FC FC P P P MT MT MT P P P (11) DG DG DG dimana P FC adalah daya operasi imum dari pembangkit sel bahan bakar, P FC adalah daya operasi maksimum dari pembangkit sel bahan bakar, P MT adalah daya operasi imum dari pembangkit mikro, P MT adalah daya operasi maksimum dari pembangkit mikro, P DG adalah daya operasi imum dari pembangkit generator diesel, dan P DG adalah daya operasi maksimum dari pembangkit generator diesel. Dalam penelitian ini, parameter yang digunakan adalah sebagai berikut : P FC = 0, P FC = 50, P MT = 0, P MT = 30, P DG = 0, dan P DG = 6. IV. PENERAPAN MULTIOBJECTIVE GENETIC ALGORITHM OPTIMIZATION A. Implementasi dari Algoritma Dalam penelitian ini, terdapat algoritma yang digunakan untuk mengoperasikan sistem kelistrikan Micro Grid model grid-connected secara optimal. Algoritma tersebut adalah sebagai berikut: 1. keluaran dari dihitung sesuai dengan hubungan kecepatan dan daya keluarannya. 2. keluaran dari sel dihitung sesuai dengan efek suhu dan radiasi matahari yang berbeda dari kondisi standar tes. 3. Asumsikan dan sel tidak menghasilkan biaya dan saat beroperasi. 4. Jika total pertaan beban lebih kecil dari daya keluaran sel dan maka daya sisa akan dijual ke PLN. 5. Beban netto dihitung hanya jika daya keluaran dari dan sel lebih kecil dari total pertaan beban. 6. Memilih sumber lainnya dalam memenuhi beban (sel bahan bakar, mikro, atau generator diesel) sesuai dengan fungsi tujuannya. Pembangkit sel bahan bakar merupakan yang paling murah sedangkan pembangkit generator diesel merupakan yang paling mahal. 7. Jika daya keluaran seluruh pembangkit masih tidak cukup dalam memenuhi total pertaan beban maka akan membeli daya dari PLN. B. Multiobjective Genetic Algorithm Multiobjective genetic algorithm digunakan untuk mengoptimasi pembangkitan daya oleh sel bahan bakar, mikro, dan generator diesel ketika beban lebih besar dari pembangkitan sel dan tetapi masih mampu dipenuhi oleh ketiga pembangkit lainnya agar mendapatkan biaya dan yang paling imal.

4 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) Langkah-langkahnya adalah sebagai berikut: 1. Membangkitkan populasi secara acak, dimana lebar kromosom disesuaikan dengan jumlah objek yang akan di optimasi. Dalam kasus ini, objek yang dioptimasi adalah keluaran daya pembangkit berbahan bakar. Terdapat 3 pembangkit berbahan bakar dalam sistem Micro Grid ini sehingga terdapat 3 gen dalam satu kromosom. Sedangkan kromosom yang dibangkitkan dalam satu populasi adalah Pengkodean kromosom merupakan konversi dari nilai asumsi ke nilai real. Nilai ini diwakili oleh kromosom yang dibangkitkan secara acak tadi. Sedangkan nilai real adalah nilai daya pembangkitan yang sesungguhnya. Dalam kasus ini, pengkodean kromosom adalah representasi dari batasan kapasitas daya keluaran pembangkit berbahan bakar pada (11). 3. Hasil dari pengkodean kromosom dimasukkan ke dalam fungsi biaya dan pembangkitan sehingga didapatkan nilai fitness. Nilai fitness dalam kasus ini ditujukkan pada persamaan 12: fitness 1 [{ w CF( P)} { w S E( P)}] w w (12) dimana CF(P) adalah total biaya operasi generator berbahan bakar, E(P) adalah total generator berbahan bakar, w 1 adalah weight biaya operasi, w 2 adalah weight, dan S adalah scaling factor dari fungsi Parameter yang dipakai adalah sebagai berikut: S = Metode seleksi, pindah silang serta mutasi digunakan untuk menyeleksi individu yang paling optimal dalam populasi tersebut. Probabilitas Pindah Silang yang dipakai adalah 0.8. Sedangkan probabilitas Mutasi yang dipakai adalah Proses akan terus berulang untuk mendapatkan kromosom terbaik. Kromosom terbaik ini direpresentasikan dalam bentuk nilai fitness terbesar. 6. Kromosom terbaik dari seluruh proses tersebut akan muncul setelah iterasi maksimum terpenuhi. Dalam kasus ini, iterasi maksimumnya adalah 25 generasi. A. Studi 1 V. SIMULASI DAN ANALISIS Studi kasus 1 memperlihatkan hasil perhitungan ketika total pertaan beban lebih kecil dari daya keluaran sel dan sehingga sisa daya yang dibangkitkan kedua pembangkit itu akan dijual ke PLN. Data yang dimasukkan dalam simulasi ditunjukkan pada tabel 2: beban Tabel 2. Data masukan studi kasus 1 Radiasi Kecepatan matahari (m/s) (W/m2) (unit) Suhu (Celcius) sel (modul) Dari data diatas, maka didapatkan hasil simulasi pada tabel 3: sel Tabel 3. Hasil simulasi studi kasus 1 Renewable Penjualan Pemasukan Dari hasil simulasi diatas, terlihat perbedaan daya yang dibangkitkan oleh sel dan ketika mendapat variasi masukan yang berbeda. Hal itu disebabkan karena tiap pembangkit mempunyai karakteristik yang berbeda sesuai dengan fungsi pembangkitannya masingmasing. yang dibangkitkan dipengaruhi oleh kecepatan dan jumlah unit. Sedangkan daya yang dibangkitkan sel dipengaruhi oleh radiasi matahari, suhu, dan jumlah modul sel. Berbagai variasi total beban disimulasikan untuk mengetahui berapa sisa daya terbangkit yang mampu dijual ke PLN dan jumlah pemasukan dari penjualan daya tersebut. B. Studi 2, 3, dan 4 Studi kasus 2, 3, dan 4 memperlihatkan hasil perhitungan ketika total pertaan beban lebih besar dari daya keluaran sel dan sehingga dibutuhkan pembangkit berbahan bakar (sel bahan bakar, mikro, dan generator diesel) untuk membantu memenuhi total pertaan beban. Multiobjective genetic algorithm digunakan untuk menentukan pembangkitan yang optimal untuk masing-masing pembangkit berbahan bakar tersebut. Dalam studi kasus 2, yang menjadi prioritas utama yaitu imisasi biaya operasi daripada imisasi sehingga parameter w 1 ditentukan 0.8 sedangkan parameter w 2 ditentukan 0.2. Sedangkan studi kasus 3 berlaku sebaliknya dari studi kasus 2, yang menjadi prioritas utama yaitu imisasi daripada imisasi biaya operasi sehingga parameter w 1 ditentukan 0.2 sedangkan parameter w 2 ditentukan 0.8. Studi kasus 4 merupakan penengah dari studi kasus 2 maupun 3. Dalam studi kasus 4, yang menjadi prioritas untuk diimisasi adalah keduanya yaitu total biaya operasi dan total. Keduanya memiliki kepentingan yang sama. Maka dari itu, parameter w 1 dan parameter w 2 ditentukan seimbang yaitu 0.5. Untuk mengetahui perbedaan daya yang dibangkitkan oleh pembangkit berbahan bakar maka parameter masukan pembangkit renewable disamakan yaitu kecepatan

5 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) diasumsikan 17 m/s, jumlah sebanyak 5 unit, radiasi matahari 1500 W/m 2, suhu 70 o C, dan jumlah sel sebanyak 6 modul. Hasil simulasi dengan berbagai variasi total pertaan beban ditunjukkan pada tabel 4, 5, dan 6: beban sel Tabel 4. Hasil simulasi studi kasus 2 sel bahan bakar mikro generator diesel biaya operasi beban sel Tabel 5. Hasil simulasi studi kasus 3 sel bahan bakar mikro generator diesel biaya operasi beban sel Tabel 6. Hasil simulasi studi kasus 4 sel bahan bakar mikro generator diesel biaya operasi Dari hasil simulasi diatas, terlihat perbedaan daya yang dibangkitkan oleh pembangkit berbahan bakar dengan asumsi pembangkitan dari pembangkit renewable besarnya sama dalam berbagai variasi beban. Pembangkit sel bahan bakar dioperasikan paling besar dalam memenuhi total pertaan beban karena memiliki biaya operasi dan yang paling kecil, sedangkan pembangkit generator diesel dioperasikan paling kecil karena memiliki biaya operasi dan yang paling besar. Dalam studi kasus 4, terlihat perbedaan nilai total biaya operasi dan total jika dibandingkan dengan studi kasus 2 dan studi kasus 3. Nilai yang didapatkan dalam studi kasus 4 merupakan nilai tengah dari studi kasus 2 dan studi kasus 3. Terlihat nilai total pada studi kasus 4 lebih besar dari studi kasus 3 tetapi lebih kecil dari studi kasus 2. Sedangkan nilai total biaya operasi pada studi kasus 4 lebih kecil dari studi kasus 3 tetapi lebih besar dari studi kasus 2. C. Studi 5 Studi kasus 5 memperlihatkan hasil perhitungan ketika seluruh pembangkit berbahan bakar dioperasikan maksimal tetapi total pertaan beban lebih besar dari daya keluaran seluruh pembangkit di dalam sistem Micro Grid, sehingga dibutuhkan bantuan daya PLN untuk memenuhi pertaan beban tersebut. Maka dari itu, terdapat biaya tambahan berupa pembelian daya dari PLN. Data yang dimasukkan dalam simulasi ditunjukkan pada tabel 7: beban Tabel 7. Data masukan studi kasus 5 Radiasi Kecepatan matahari (m/s) (W/m2) (unit) Suhu (Celcius) sel (modul) Dari data diatas, maka didapatkan hasil simulasi pada tabel 8: Renewable non- Renewable Tabel 8. Hasil simulasi studi kasus 5 biaya operasi non- Renewable Pembelian Biaya Pembelian Pengeluaran Dari hasil simulasi diatas, terlihat total daya yang dibangkitkan oleh pembangkit berbahan bakar sama yaitu 86. Hal itu dikarenakan pembangkit berbahan bakar dioperasikan sesuai dengan rating maksimalnya. Begitu juga dengan total biaya operasi dan total nya akan mengikuti daya yang dibangkitkan oleh pembangkit berbahan bakar. Karena data masukan pembangkit renewable berbeda maka daya yang dihasilkannya pun berbeda juga. Karena seluruh pembangkit tidak mampu untuk memenuhi pertaan beban maka diperlukan daya tambahan dari PLN. Sehingga terdapat biaya tambahan berupa pembelian daya dari PLN seperti yang diperlihatkan pada tabel diatas. D. Konvergensi Dari hasil simulasi didapatkan kurva konvergensi seperti pada gambar 2: Gambar. 2. Kurva konvergensi Kurva diatas menunjukkan konvergensi dari multiobjective genetic algorithm. Terdapat perubahan nilai fitness pada generasi awal antara 0 sampai 11 tetapi nilai fitness-nya menjadi konvergen pada generasi akhir antara 12 sampai 25. Karena menggunakan formula 1/fungsi tujuan maka semakin

6 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) besar nilai fitness, semakin menuju ke titik optimal. Waktu yang dibutuhkan untuk menghasilkan 25 iterasi ini yaitu sekitar 26 detik. E. Analisis statistik fitness Dari hasil simulasi didapatkan analisis statistik fitness seperti pada tabel 9: Tabel 9. Hasil analisis statistik fitness Tes Fitness MIN MAX MEAN SDV DAFTAR PUSTAKA [1] Imam Robandi, Modern Power System Control, Penerbit ANDI, Yogyakarta, [2] Naoto Yorino, Hafiz Mohd Habibuddin, Zoka Yoshifumi, Sasaki Yutaka, Ohnishi Yuji, Dynamic Economic Dispatch with Generatir s Feasible Operatoin Region, Power and Energy Engineering Conference (APPEEC), 2010 Asia-Pacific, /APPEEC , [3] D. W. Ross, S. Kim, Dynamic Economic Dispatch of Generation, IEEE Trans. on Power Apparatus and Systems, vol. PAS-99, no. 6, pp , Nov [4] Mohamed Faisal A, Koivo Heikki., System modelling and online optimal management of MicroGrid using Mesh Adaptive Direct Search, International Journal of Electrical Power & Energy Systems., Vol. 32,no , pp [5] S. Campanari and E. Macchi. Technical and tariff scenarios effect on microe trigenerative applications. Journal of Engineering for Gas es and Power, 126: , July [6] Morgantown, W, Emission rates for new DG technologies, the Regulatory Assistance Project., Online Available, ProjDocs/DREmsRul/Collfile/DGEmissionsMay2001.pdf. [7] Mohamed, Faisal A. "Microgrid modelling and online management." (2008). [8] M. A. Abido. Enverionmental/economic power dispatch using multiobjective evolutionary algorithms. IEEE Transactions on Power Syst, 18(4): , November Tabel diatas menunjukkan nilai imum, maksimum, ratarata, dan standar deviasi dari fitness. Nilai standar deviasi yang kecil menunjukkan nilai-nilai diatas berkumpul disekitar rata-rata hitungnya (penyebarannya kecil). VI. KESIMPULAN/RINGKASAN Dari hasil analisis aplikasi emission dan economic dispatch pada sistem kelistrikan Micro Grid menggunakan multiobjective genetic algorithm optimization, dapat diambil kesimpulan sebagai berikut: 1. Metode ini mampu menentukan pembangkit yang dioperasikan serta besarnya daya yang dibangkitkan berdasarkan pertaan beban dalam sistem Micro Grid sehingga beban dapat dipenuhi dengan biaya dan yang paling imal. 2. Terdapat pemasukan dari penjualan daya ke PLN apabila daya yang terbangkit dari pembangkit renewable lebih besar dari pertaan beban tetapi terdapat pengeluaran dari pembelian daya PLN apabila pertaan beban melebihi total pembangkitan dari seluruh pembangkit dalam sistem Micro Grid. 3. Dengan mengatur nilai weight dari multiobjective genetic algorithm maka didapatkan hasil emission dan economic dispatch yang sesuai dengan yang diprioritaskan. Semakin besar nilai weight maka semakin besar pula prioritasnya. 4. Metode multiobjective genetic algorithm mempunyai nilai penyebaran yang kecil dari nilai rata-rata hitungnya. Metode ini juga sangat efisien dalam pemecahan masalah karena waktunya yang singkat yaitu hanya sekitar 26 detik.