Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar

Transkripsi

1 Optimasi Kendali Distribusi Tegangan pada Sistem Tenaga Listrik dengan Pembangkit Tersebar Soni Irawan Jatmika Pembimbing : 1. Prof. Dr. Ir. Adi Soeprijanto, MT. 2. Heri Suryoatmojo, ST. MT. PhD. Program Studi Teknik Sistem Tenaga Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember

2 GAMBARAN PRESENTASI Pendahuluan Dasar Pemikiran Metodologi Penelitian Hasil Simulasi Kesimpulan

3 Pendahuluan Permasalahan Bagaimana optimasi yang tepat untuk mengontrol distribusi tegangan dengan mengatur peralatan instalasinya. Tujuan Mengamankan margin tegangan dengan meminimasi variasi tegangan pada nilai1.0 pu, serta mereduksi total rugi-rugi dalam sistem distribusi

4 Batasan Masalah Dalam penelitian ini jaringan distribusi dianggap seimbang. Metode Algoritma Genetika diujikan dan disimulasikan pada sistem distribusi radial 69 bus [3]. DG yang digunakan hanya menyuplai daya aktif. Sistem pembangkit beroperasi normal tidak dalam gangguan.

5 Dasar Pemikiran Sistem Distribusi Konsumen semakin banyak Kualitas Keandalan Penambahan jaringan Pemasangan Alat/komponen Distribusi, DG Solusi Pengaturan Semakin Rumit

6 Kecerdasan Buatan (Artificial Inteligent) Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. (Rich and Knight [1991]) Tujuan dari kecerdasan buatan menurut Winston dan Prendergast [1984]: 1. Membuat mesin menjadi lebih pintar (tujuan utama) 2. Memahami apa itu kecerdasan (tujuan ilmiah) 3. Membuat mesin lebih bermanfaat (tujuan entrepreneurial)

7 Metode Penelitian Algoritma Genetika (AG) Algoritma dikembangkan dari proses pencarian solusi optimasi menggunakan pencarian acak, memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi. Terminologi AG Gen, Alele, loci, kromosom, individu, populasi, Generasi, Nilai fitness

8 Konsep Algoritma Genetika Population of Individuals Sample Solutions for the Problem New Generation New Set of Solutions Best Fitness Best Solution

9 Operator Algoritma Genetika Selection Mutation Cross Over Elitism

10 Pengkodean Jumlah gen dalam satu kromosom adalah sembilah buah gen yang dapat dilihat sebagai berikut yang diwakili oleh string G real number G = [x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 ]. OLTC SVR ShC/ShR SVC x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9

11 Fungsi Objektif Dengan Constrain, V min V n V max t min t t max Dimana, V n,ref = tegangan referensi (1 p.u) V n = tegangan pada bus ke-n V min = batas bawah tegangan yang dijinkan (0.95 p.u) V max = batas bawah tegangan yang dijinkan (1.05 p.u) Loss = rugi-rugi daya saluran t = rasio tap trafo t min = batas bawah rasio tap trafo 0.9 t max = batas bawah rasio tap trafo 1.1 w 1, w 2 = nilai pembobot(weighting value)

12 Studi aliran Daya Studi Aliran Daya yang digunakan adalah Metode Newton Raphson, dengan Parameter sebagai berikut : MVA base kv base Z base =10 MVA = KV = Ohm

13 Flow Chart Algoritma Genetika Initialize Population Calculate the fitness function Elitism Selection rand<pcros Cross Over Mutation New Population Yes Continue? No Final Solution

14 Simulasi Parameter Algoritma Genetika Generasi 70 Populasi 30 Seleksi Roulette-wheel selection Crossover One point Crossover (Pcros 0.8) Mutation Probabilitas Mutasi 0.05 Encoding Real encoding Weightnes W 1 = 3; w 2 = 0.9

15 Data Saluran Sistem Distribusi 69 Bus No. Saluran Bus Kirim Bus Terima R (Ohm) X (Ohm) No. Saluran Bus Kirim Bus Terima R (Ohm) X (Ohm) Data Beban Sistem Distribusi 69 Bus No. Bus P (KW) Q KVAr) No. Bus P (KW) Q (KVAr)

16 Single Line Diagram Sistem Distribusi 69 Bus

17 Hasil simulasi sebelum optimasi Daya aktif dari Grid Supply Point (kw) 2, Daya reaktif dari Grid Supply Point 2, (kvar) Daya aktif dari DG 1 (kw) Daya aktif dari DG 2 (kw) Daya aktif dari DG 3 (kw) Daya aktif dari DG 4 (kw) Rugi-rugi daya pada saluran (kw) Rugi-rugi daya pada saluran (kvar)

18 Hasil simulasi dengan optimasi OLTC + SVR Daya aktif dari Grid Supply Point (kw) Daya reaktif dari Grid Supply Point (kvar) Daya aktif dari DG 1 (kw) Daya aktif dari DG 2 (kw) Daya aktif dari DG 3 (kw) Daya aktif dari DG 4 (kw) Rugi-rugi daya pada saluran (kw) Rugi-rugi daya pada saluran (kvar) Tap OLTC 1.00 Tap SVR 0.96

19 Hasil simulasi dengan optimasi OLTC+SVR+Shc+ShR Daya aktif dari Grid Supply Point (kw) 2, Daya reaktif dari Grid Supply Point (kvar) Daya aktif dari DG 1 (kw) Daya aktif dari DG 2 (kw) Daya aktif dari DG 3 (kw) Daya aktif dari DG 4 (kw) Rugi-rugi daya pada saluran (kw) Rugi-rugi daya pada saluran (kvar) Tap OLTC 1 Tap SVR 0.96 Kapasitor 1 (+) / Reaktor 1 (-) (kvar) Kapasitor 2 (+) / Reaktor 2 (-) (kvar) Kapasitor 3 (+) /Reaktor 3 (-) (kvar)

20 Hasil simulasi dengan optimasi OLTC+SVR+Shc+ShR+SVC Daya aktif dari Grid Supply Point (kw) Daya reaktif dari Grid Supply Point (kvar) Daya aktif dari DG 1 (kw) Daya aktif dari DG 2 (kw) Daya aktif dari DG 3 (kw) Daya aktif dari DG 4 (kw) Rugi-rugi daya pada saluran (kw) Rugi-rugi daya pada saluran (kvar) Tap OLTC 1 Tap SVR 0.96 Kapasitor 1 (+) / Reaktor 1 (-) (kvar) Kapasitor 2 (+) / Reaktor 2 (-) (kvar) Kapasitor 3 (+) /Reaktor 3 (-) (kvar) SCV 1 (KVAr) SCV 2 (KVAr) SCV 3 (KVAr) SCV 4 (KVAr)

21 Perbandingan Distribusi Tegangan

22 Perbandingan Rugi-Rugi Daya (kw) Uncontrolled OLTC+SVR OLTC+SVR+ShC+ShR OLTC+SVR+ShC+ShR+SVC 20 0 Rugi-rugi Daya

23 Kesimpulan Dengan memperbaiki distribusi tegangan sistem yang bernilai dibawah standar, sekaligus dapat menekan rugirugi saluran pada sistem dikarenakan oleh turunnya arus yang mengalir pada saluran. Dengan melakukan optimisasi yang telah dilakukan, distribusi nilai tegangan sistem dapat memenuhi standar 0.95 p.u-1.05 p.u. Rugi-rugi daya setelah optimasi turun sebesar 16.9 %. Pengendalian kontrol peralatan dalam sekala besar dan rumit dapat dilakukan dengan menggunakan metode Algoritma genetika.

24 Sekian Trimakasih