Bahrowi Adi Wijaya Dosen Pembimbing: Prof. Dr. Ir. Adi Soeprijanto, MT. Dr. Rony Seto Wibowo, ST., MT.

Transkripsi

1 SETTING TCSC DAN SVC MENGGUNAKAN LEAST SQUARE SUPPORT VECTOR REGRESSION (LS-SVR) UNTUK MENJAGA KESTABILAN TEGANGAN AKIBAT KONTINGENSI Bahrowi Adi Wijaya Dosen Pembimbing: Prof. Dr. Ir. Adi Soeprijanto, MT. Dr. Rony Seto Wibowo, ST., MT.

2 Latar Belakang Peningkatan beban dan semakin luasnya jaringan Kontingensi Saluran Pengaruh terhadap kestabilan tegangan Akurasi dan Kecepatan Respon Controller Kontrol Koreksi - FACTS Devices - Load Shedding - Re-scheduling Generation Tanpa biaya respon Dengan biaya respon Dengan biaya respon

3 Permasalahan Penerapan metode Least Square Support Vector Regression (LS- SVR) sebagai controller nilai setting TCSC dan SVC untuk menjaga kestabilan tegangan saat kondisi sistem normal maupun saat terjadi kontingensi

4 Tujuan Menerapkan metode Least Square Support Vector Regression (LS-SVR) sebagai controller dalam menentukan nilai setting TCSC dan SVC untuk menjaga kestabilan tegangan akibat kontingensi

5 Kestabilan Tegangan Kestabilan tegangan merupakan kemampuan sistem tenaga listrik untuk mempertahankan kondisi seimbang (steady state) pada semua titik bus sistem pada kondisi operasi normal maupun saat terjadi gangguan. Ketidakstabilan tegangan dapat disebabkan karena meningkatnya beban Meningkatnya daya aktif dan reaktif Voltage Collapse dapat terjadi akibat gangguan kecil maupun gangguan besar penambahan beban, kontingensi

6 Klasifikasi Kestabilan Tegangan

7 Kurva P-V (Saat terjadi Kontingensi)

8 Kurva P-V (Setelah Kontrol Koreksi)

9 FACTS Devices Flexible AC Transmission Systems (FACTS Devices) merupakan peralatan yang dipasang pada saluran transmisi berbasis elektronika daya sebagai pengatur transfer aliran daya maupun level tegangan sistem. FACTS devices banyak digunakan pada berbagai aplikasi terutama dalam permasalahan kompensasi daya reaktif, peningkatkan kapasitas saluran, kestabilan, maupun pengaturan tegangan pada bus.

10 Thyristor Controlled Series Capacitor (TCSC) Line i Contoh pemodelan TCSC pada saluran transmisi (Leonard L. Grigsby) Line j Peralatan FACTS yang dipasang secara seri pada saluran transmisi

11 Static Var Compensator (SVC) Contoh pemodelan SVC (Leonard L. Grigsby) SVC merupakan peralatan FACTS yang dipasang secara paralel pada bus saluran (a) TCR dengan fixed capacitor, (b) TCR dengan switch capacitor, (c) thyristor sebagai swicth capacitor

12 Black Box Diagram Input Black Box Output Level Beban Status Saluran 1 Status Saluran 2... Status Saluran (n) Controller Least Square Support Vector Regression (LS-SVR) TCSC SVC

13 Least Square Support Vector Regression (LS-SVR) Pengelompokan Data Y -Sejumlah data untuk proses prediksi akan menjadi sangat sulit dipecahkan jika data bersifat non linear. Data X -Dalam sebuah permasalahan regresi, sebuah toleransi margin (epsilon) LS-SVR akan dibutuhkan jika hasil prediksi melebihi dari batas parameter regulasi LS- SVR (γ). Prediksi - Ketepatan hasil prediksi dapat diminimalkan dengan parameter kernel (K(x i,x j ) =

14 Controller nilai setting TCSC-SVC menggunakan LS-SVR Mulai Input data training Mulai Input data: data sistem, Load margin, kontingensi, max setting TCSC-SVC Set parameter γ, σ, fungsi kernel Input data testing Set level pembebanan (100%,99%,...70%) High fitur space (RBF Kernel) Proses training Parameter training (γ, σ, dan RBF Kernel) Aliran daya menggunakan Optimal Power Flow (OPF) Simpan nilai setting TCSC-SVC Ketepatan pemodelan dan MSE Optimal Ya Simpan hasil dan parameter training Tampilkan hasil training LS-SVR Tidak High fitur space (RBF Kernel) Tampilkan hasil testing LS-SVR Selesai Selesai

15 Sistem IEEE 14 Bus

16 Hasil dan Analisa Parameter Regulasi LS-SVR γ = 10 γ = 1000 γ = 1000 Parameter RBF Kernel MSE Training MAPETraining Waktu Training (detik) σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ =

17 Korelasi Koefisien (R) γ = 10, σ = 10 (R = ) γ = 10, σ = 0.01 (R = ) γ = 100, σ = 0.0 (R = 1) γ = 1000, σ = 0.01 (R = 1)

18 Hasil Training dan Testing LS-SVR pada Kondisi Normal (γ = 1000, σ = 0.01) Training Testing

19 LS-SVR vs ELM dibandingkan Data Aktual TCSC 1 testing pada kondisi normal TCSC (p.u) LSSVR ELM Aktual Beban (%)

20 LS-SVR vs ELM dibandingkan Data Aktual Beban (MW) Kontingensi Saluran Dari bus Ke bus Kapasitansi TCSC (p.u) Line 6-12 Line 7-9 Data Aktual Nilai Output LS-SVR Nilai Output ELM Line 9-14 Injeksi SVC (MVAr) Bus 10 Bus 12 Kapasitansi TCSC (p.u) Line 6-12 Line 7-9 Line 9-14 Injeksi SVC (MVAr) Bus 10 Bus 12 Kapasitansi TCSC (p.u) Line 6-12 Line 7-9 Line 9-14 Injeksi SVC (MVAr) Bus 10 Bus Kondisi Normal

21 Error LS-SVR dengan ELM Beban (MW) Kontingensi Saluran Dari bus Error Testing (%) LS-SVR Error Testing (%) ELM TCSC SVC TCSC SVC Ke bus Line 6-12 Line 7-9 Line 9-14 Bus 10 Bus 12 Line 6-12 Line 7-9 Line 9-14 Bus 10 Bus Kondisi Normal

22 Kesimpulan Dari hasil simulasi yang dilakukan, didapatkan: Metode LS-SVR dapat digunakan sebagai controller nilai setting TCSC dan SVC untuk menjaga kestabilan tegangan akibat kontingensi. Controller LS-SVR memiliki nilai akurasi lebih tinggi dibandingkan ELM. Nilai MSE dan MAPE training dengan menggunakan metode LS-SVR adalah e-08 dan 10e-8 sedangkan untuk testing adalah dan e-05.

23 Sekian dan Terima Kasih

24 Penentuan Lokasi Penempatan FACTS Pemilihan lokasi penempatan FACTS berdasarkan referensi: R. S. Wibowo, N. Yorino, M. Eghbal, Y. Zoka, and Y. Sasaki, Facts Devices Allocation with Control Coordination Considering Congestion Relief and Voltage Stability, IEEE Trans. Power Syst., vol. 26, no. 4, pp , Nov

25 Off Line Data Optimal Power Flow Simpan Data Off Line Sistem Controller TCSC SVC

26 Waktu Training dan Testing Parameter Regulasi LS-SVR γ = 10 γ = 1000 γ = 1000 Parameter RBF Kernel MSE Training MAPETraining Waktu Training (detik) σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ = σ =

27 Hasil Pengujian pada Sistem IEEE 30 Bus Beban (MW) Kontingensi Saluran dari Bus Data Target Kapasitansi TCSC (p.u) Injeksi SVC (MVAr) Output LS-SVR Kapasitansi TCSC (p.u) Injeksi SVC (MVAr) ke Bus Line Line Line Bus 30 Line Line Line Bus Kondisi E E Normal E E E E E E E E E E E E E E E E

28 Data Sistem IEEE 14 Bus Data Beban Maksimum Dan Minimum No. Bus Qlmax (MVAr) Qlmin (MVAr) Plmax (MW) Plmin (MW) Data Bus Nomor Bus Tipe Bus Vm (pu) Va (deg) KV base Max Vm (pu) Min Vm (pu) Data Pembangkitan Maksimum dan Minimum No. Bus Qmax (MVAr) Qmin (MVAr) Pmax (MW) Pmin (MW) Data Saluran Bus Awal Bus Akhir Resistansi (pu) Induktansi (pu) Kapasitansi (pu)

29 Sistem IEEE 30 Bus G C Generator Synchronous Condenser G G Pemasangan TCSC dan SVC Jenis FACTS Saluran dari ke Bus TCSC TCSC TCSC SVC G C C 8 C 2 7 G C 5

30 Least Square Support Vector Regression (LS-SVR) - Data Training: Non Linear dengan x sebagai input dan y sebagai output Faktor Pinalti - Fungsi optimasi dalam LS-SVR : batasan yang ditentukan adalah: di mana, Linear

31 Least Square Support Vector Regression (LS-SVR) - Fungsi Lagrange : dengan Syarat yang harus dipenuhi dalam menyelesaikan Fungsi Lagrange di atas adalah: Solusi dari persamaan linear di atas:

32 Least Square Support Vector Regression (LS-SVR) Fungsi output diperoleh sebagai berikut:

33 Extreme Learning Machines (ELM)

34 Mean Square Error dan Mean Absolute Persentage Error

35 Koefisien Korelasi

36 Optimal Power Flow (OPF) Optimal Power Flow (OPF) digunakan untuk mendapatkan nilai re-setting peralatan FACTS serta kontrol koreksi, yaitu load Shedding dan re-scheduling pembang-kitan. Nilai tersebut digunakan sebagai data target dalam analisa prediksi nilai setting TCSC-SVC. Pada makalah ini digunakan beberapa batasan yang digunakan antara lain: 1. Fungsi Objektif OPF

37 Optimal Power Flow (OPF)

38 Pemilihan Kontingensi No. Contingency Line Load Generation Pemilihan Social Welfare From To Shedding Re-scheduling Kontingensi Dipilih Dipilih Dipilih Dipilih Dipilih X X X X X X X X X X X X X X X 21 Normal State Dipilih

39 Hasil Training (Pengujian Kesatu) Pengujian Kesatu: Fungsi Kernel yang digunakan : Radial Base Function (RBF) Kernel Konstanta Regulasi (γ) : 10 Parameter Kernel (σ) : diterapkan nilai 10; 1; 0; 0.1; 0.01 Parameter RBF Kernel MSE Training MAPE Training Computational Training Time (second) σ = σ = σ = σ = σ =

40 Hasil Training (Pengujian Kedua) Pengujian Kedua: Fungsi Kernel yang digunakan : Radial Base Function (RBF) Kernel Konstanta Regulasi (γ) : 100 Parameter Kernel (σ) : diterapkan nilai 10; 1; 0; 0.1; 0.01 Parameter RBF Kernel MSE Training MAPE Training Computational Training Time (second) σ = σ = σ = σ = σ =

41 Hasil Training (Pengujian Ketiga) Pengujian Ketiga: Fungsi Kernel yang digunakan : Radial Base Function (RBF) Kernel Konstanta Regulasi (γ) : 1000 Parameter Kernel (σ) : diterapkan nilai 10; 1; 0; 0.1; 0.01 Parameter RBF Kernel MSE Training MAPE Training Computational Training Time (second) σ = σ = σ = σ = σ =

42 LS-SVR vs ELM dibandingkan Data Aktual Untuk Sistem IEEE 14 Bus Metode MSE Testing MAPE Testing Testing Time ELM LS-SVR e Untuk Sistem IEEE 30 Bus Methode MSE Testing MAPE Testing Testing Time LS-SVR

43 Kontingensi

44 Kontingensi

45 Jatuh Tegangan (Voltage Collapse) Beberapa Penyebab Jatuh Tegangan : Peralatan Pengendali Tegangan : V

46 TCSC Sudut penyalaan berkisar antara 0 0 hingga 90 0 berdasarkan pada kurva ekivalen dari TCSC. Derajat kompensasi TCSC yang diijinkan adalah 20% induktif dan 70% kapasitif X total = X saluran + X TCSC X TCSC = r TCSC x X saluran dengan : Xsaluran = reaktansi saluran transmisi r TCSC = rating kompensasi TCSC

47 SVC Nilai dari SVC adalah : B SVCmin B SVC B SVCmax Injeksi daya aktif maupun reaktif: Q SVC = -Vi 2 *B SVC Rating SVC antara -200 Mvar sampai dengan 200 Mvar.

48 Penentuan Kurva P-V

49 Peristiwa Black Out

50 Daftar Pustaka [1] Adi Soeprijanto, Desain Kontroller untuk Kestabilan Dinamik Sistem Tenaga Listrik, ITS Press, Surabaya, [2] R. S. Wibowo, N. Yorino, M. Eghbal, Y. Zoka, and Y. Sasaki, Facts Devices Allocation with Control Coordination Considering Congestion Relief and Voltage Stability, IEEE Trans. Power Syst., vol. 26, no. 4, pp , Nov [3] Khoirul Anam, Ontoseno Penangsang, R.S. Wibowo, Setting TCSC dan SVC Menggunakan Extreme Learning Machine (ELM) untuk Menjaga Kestabilan Tegangan Akibat Kontingensi, Jurnal Teknik POMITS, vol. 1, No.1, [4] R. S. Wibowo, A. Priyadi, Adi S., Facts Devices Allocation for Preventive/Corrective Control Against Voltage Collapse Under Deregulated Power System, IEEE Region 10 Conf., pp: , Tencon: Bali, [5] Leonard L. Grigsby, Power System Stability and Control, CRC Press, USA, [6] P. Kundur, Power System Stability and Control, McGraw-Hill, USA, [7] K. R. Padiyar, Power System Dynamics Stability and Control, BS Publications, [8] Carson W. Taylor, Power System Voltage Stability, McGraw-Hill, Singapore, [9] Jan Machowski, Janusz W.B., James R.B, Power System Dinamics Stability and Control, Aptara, Great Bretain, [10] E.G. Nepomuceno, O.M. Neto, A Heuristic Approach to Robust Control Design for Power Systems with Several FACTS Devices, Elsevier. Electrical Power and Energy Systems vol. 25, 13-20, [11] G. Glanzman, G. Andersson, Using FACTS Devices to Resolve Congestions in Transmission Grids, ETH Zurich, CIGRE 05 [12] Ji Liang Cai, Chuang Ming Tong, Wei Jun Zhong, Reconstruction of Dielectric Cylinder by Multi-output Least Square Support Vector Machine, IEEE conference, Radio Science and Wireless Technology, [13] Kemal Ucak, Gulay Oke, Adaptive PID Controller Based on Online LSSVR with Kernel Tuning, INISTA, IEEE Simposium, [14] Shou Xu, Xin An, Xiaodong, Lin Li, Multi-output Least Square Support Vector Regression Machines, ELSEVIER, Pattern Recognition, 2013.