Jurnal Elektro ELTEK Vol., No. 1, April 011 ISSN: 08-89 Analisa Gas Kimia Dalam Minyak Trafo Distribusi 150/0 KV Dengan Menggunakan Metode Logika Fuzzy Evolusioner Teguh Herbasuki dan Falkudin Jurusan Teknik Elektro, Institut Teknologi Nasional Malang e-mail: teguhherbasuki@yahoo.com Abstrak Terjadinya penurunan kualitas minyak trafo akibat terjadinya breakdown voltage didalam minyak trafo. Untuk meningkatkan akurasi diagnosis dari pendekatan analisis gas terlarut konvensional (DGA), makalah ini mengemukakan pemprograman evolusioner (EP) berbasis teknik pengembangan sistem fuzzy untuk mengidentifikasi fault dari transformer power. Dengan menggunakan kriteria IEC/IEEE DGA sebagai referensi, dengan mengembangkan metode Roger s Rasio gas dengan menggunakan Logika Fuzzy Evolusioner. Metodologi yang digunakan adalah metode system sampling dan analisa gas serta menggunakan metode logika Fuzzy Evolusioner. Berdasarkan catatan uji gas terlarut sebelumnya dan tipe fault aktual, teknik pengembangan basis EP kemudian digunakan secara otomatis untuk memodifikasi aturan fuzzy if-then dan secara simultan menyesuaikan fungsi keanggotaannya. Ketika diperbandingkan dengan hasil DGA konvensional dan metode klasifikasi jaringan neural artificial (ANN), metode yang dikemukakan harus diverifikasi untuk memiliki kinerja superior baik untuk pengembangan sistem diagnosis dan mengidentifikasi kasus fault transformer. Kata kunci Logika Fuzzy Evolusioner, pemprograman evolusioner, Roger s Ratio, Jaringan Neural Artificial I. PENDAHULUAN Untuk mempertahankan Transformator yang baik, penilaian periodik dari transformer harus dijalankan untuk menentukan gangguan awal untuk mencegah terjadinya kerusakan. Untuk meningkatkan kapabilitas diagnosis metode DGA konvensional, pendekatan informasi fuzzy dan sistem ahli diagnosis fuzzy digunakan disini. Presentasi fuzzy komponen dan skema peralatan fuzzy diterapkan dalam masalah ini. Hasil yang menjanjikan disini diperoleh tapi beberapa batasan muncul dalam metode tersebut. Pertama, fungsi keanggotaan subset fuzzy ditentukan secara empirik atau secara mendasar dalam cara trial-anderror, sedangkan kriteria diagnosis DGA konvensional juga dijalankan secara implisit. Selanjutnya, sejumlah catatan diagnosis sebelumnya dari gas terlarut digunakan sebagai tujuan uji daripada sebagai basis pengembangan sistem diagnosis fuzzy. Informasi yang ada dalam data numerik bukan digunakan secara penuh dalam menentukan sistem diagnosis. Ketiga, karena adanya keragaman kondisi yang mempengaruhi hasil DGA, sistem diagnosis harus dipertahankan atau dimodifikasi secara berkelanjutan berdasarkan kasus yang baru terjadi. Meski begitu, akuisisi pengetahuanmanual dan revisi basis pengetahuan dalam data numerik bisa sangat membosankan, dan seringkali menghasilkan proses panjang pembentukan aturan fuzzy ifthen dan menyesuaikan fungsi keanggotaan subset fuzzy. Dalam makalah ini, sistem diagnosis fuzzy evolusioner (EFDS) dikembangkan untuk memperbaiki metode DGA konvensional. Prinsip diagnostik metode DGA yang ada yang digunakan untuk mempermudah penentuan tatanan awal dari EFDS, termasuk aturan diagnostik dan fungsi keanggotaan subset fuzzy. Pengembangan sistem diagnosis gangguan Trafo Distribusi dirumuskan sebagai masalah optimisasi kombinatorial integer-campuran. Didasarkan pada catatan diagnosis data gas Trafo Distribusi 150/0 kv- 30 MVA. II. LANDASAN TEORI Perawatan periodik dari transformator, meliputi analisis kromatographi dari minyak isolasi untuk mengukur konsentrasi hidrogen terlarut (H ), methana (CH ), ethana (C H ), ethilene (C H ), karbon monoksida (CO), dan karbon dioksida (CO ). TABEL I KODE IEC/IEEE INTERPRETASI METODE DGA 13
Jurnal Elektro ELTEK Vol., No. 1, April 011 ISSN: 08-89 Sistem diagnosis menggunakan pendekatan inferensi fuzzy bisa mencapai hasil diagnosis dengan ruang pola 3- dimensi ditetapkan oleh tiga komponen rasio gas, C H /C H, CH /H, C H /C H. Tingkatan rasio dipengaruhi oleh faktor seperti pengaksesan sejarah, konstruksi transformer, volume minyak, industri-industri, dan kondisi cuaca kurang baik, sebagai akibatnya jumlah signifikan dari catatan gas terlarut bisa berada di luar aturan yang ditetapkan. Selain itu karena tingkatan kekeringan digunakan untuk menentukan aturan atau kode tersebut, maka tidak cukup hanya menetapkan batasan tidak tentu dari rasio gas C H /C H, CH /H, C H /C H yang ada dalam data numerik, maka digambarkan bagaimana sistem diagnosis yang menggunakan pendekatan inferensi fuzzy bisa mencapai hasil diagnosis sebuah inferensi tipe gangguan. S CH M /H L S M L a11, a1,...,a18 pada setiap aksis D = 1,, 3 dan untuk pola yang tidak a31, a3,...,a38 S M L a1, a,...,a8 Gambar 1. Diagnosis Sistem Fuzzy pada ruang pola 3-dimensi dan Subset Fuzzy Ruang pola 3-dimensi dan subset fuzzy bisa ditunjukkan pada Gambar 1. Subset fuzzy S, M, dan L (seperti S D 1 = S, S D = M, dan S D 3 = L) menentukan deskripsi fuzzy dari nilai rasio gas yang kecil, menengah, dan besar. Fungsi keanggotaan disini menggunakan bentuk trapesium yang didefinisikan dengan delapan titik ekstrim a DI, a D,, a D8 diketahui x p = [x p1, x p, x p3 ] dari tiga rasio gas, aturan fuzzy ifthen R ijk digunakan sebagai inferensi tipe faultnya. Batasan aturan fuzzy R ijk = Jika (x p1 adalah s i 1 ), (x p adalah s j ) dan (x p3 adalah s k 3 ) kemudian (x p mengidentifikasi ketipe fault/gangguan FT ijk ) dengan posibility ps = ps ijk, untuk i,j,k = 1,,3 III. METODOLOGI Prosedur diagnosis fuzzy yang digunakan terdiri atas beberapa langkah anatara lain: Langkah 1: Menghitung ukuran kompatibilitas (derajat kepuasan) β FTijk dari tipe fault FT ijk untuk setiap aturan R ijk, i, j, k = 1,, 3 : β FT ijk = Min { µ i (x p1 ), µ j (x p ), µ k (x p3 )} Langkah : Menentukan kelas tipe fault FT* : Dimana tipe fault FT* dengan nilai maksimum adalah solusi diagnosis inferensial dengan faktor kepastian α FTin. Jika nilai maksimum dalam adalah nol atau dua atau lebih, tipe fault mempunyai nilai maksimum, dan pola yang tidak diketahui diklasifikasikan sebagai yang tidak teridentifikasi oleh sistem diagnosis. Dalam prosedur inferensi fuzzy di atas, diasumsikan bahwa semua fungsi keanggotaan (seperti titik ekstrim dari a DI, a D,, a D8 pada setiap aksis D = 1,, 3) dan aturan fuzzy if-then (berkaitan dengan nilai kemungkinan) ditentukan pada basis kriteria DGA konvensional atau kondisi diagnosis transformer. Desain sistem diagnosis fuzzy pada awalnya digunakan 7 (3x3x3 untuk I = 3 dalam sebuah ruang pola 3-dimensi) aturan fuzzy dalam rangkaian aturan (yang masing-masing berkaitan dengan subspace fuzzy dalam ruang pola) dan point (8 point untuk satu aksis) dalam fungsi keanggotaan yang ditentukan. Secara matematika, didasarkan pada data sampel numerik, yang diteliti adalah vektor RV dari 7 variabel tipe-integer (nol,1,,, 8}), yang berkaitan dengan tipe fault dalam aturan fuzzy-nya, dan vektor MV dari variabel tipe-riil (yang masing-masing berada di dalam interval yang tepat), dan berkaitan dengan fungsi keanggotaannya. Pola N dengan x p, p = 1,,, N dari rasio gas terlarut, yang kelas tipe faultnya diketahui berdasarkan hasil diagnosis praktis, optimisasi hasil inferensi yang ada adalah untuk mencari rangkaian nilai RV dan MV untuk mengurangi fungsi kesalahan inferensi rata-rata dari pola N yang ada. Fungsi error inferensial dari vektor keputusan RV dan MV sesuai dengan rumus : F = 1 N N P= 1 FT * P FT P / W FT P Untuk nilai kemungkinan ps ijk Aturan R ijk, i, j, k = 1,, 3 untuk RV xp dan MV xp : ps ijk = x P FT ijk β FT ijk /PN FT ijk PN FT ijk 0, imana : β FTijk = Penyesuaian x p pada aturan R ijk dengan FT ijk seperti tipe fault inferensial PN FTijk = jumah sampel x p s yang tipe fault aktualnya adalah FT ijk jika nilai ps ijk yang terhitung adalah nol, konsekuensi FT ijk ditentukan sebagai nol. PN FTijk = 0, yang berarti tidak ada tipe fault FT ijk yang muncul dalam sampel, dan nilai ps ijk dari aturan R ijk bisa menjadi nol. Algoritma Pemrograman Evolusioner mensimulasikan proses evolusioner untuk mencapai kesesuaian setelah prosedur mutasi, kompetisi, dan seleksi yang berulangulang. Skema umum dari Algoritma EP terlihat pada Diagram Blok Skematik Gambar. Representasi Vektor Dari Tabel Aturan Fuzzy Dan Fungsi Keanggotaan Pool Persainga n Pembentukan Turunan Pengawalan Serangkaian Ketahanan α FT* = Mak { β FT ijk x ps ijk FT ijk, i, j, k = 1,, 3 } Evaluasi Nilai Kesesuaian Kompetisi & Seleksi Aturan Penghentian Gambar. Diagram Blok Skematik dari Algoritma EP 1
Jurnal Elektro ELTEK Vol., No. 1, April 011 ISSN: 08-89 Untuk menyesuaikan dengan kriteria DGA transformator secara efisien mengembangkan sistem diagnosis, kriteria DGA transformator, digunakan sebagai nilai awal dari variabel RV dan MV. Kemudian teknik pengembangan sistem fuzzy berbasis EP dikembangkan secara otomatis menentukan bentuk akhir dari fungsi keanggotaan dan aturan diagnosis. Gambar 3. Struktur Sistem Diagnosis Fuzzy Evolusioner.058 0.1311 1.80003.115 0.39983 1.000.50001 0.80000.8001.90000 0.90000.30005.70000 0.50000.90003 1.00000 0.90000.90003 1.30000 0.81000 1.30000 1.90000 0.71998 1.70003.0558 0.1311 3.0007.115 0.39983 3.0000.50001 0.80000 3.000.90000 0.90000 3.03005.70000 0.50000 3.00999 1.90000 0.71998 3.0998 1.30000 0.179 3.03810 Hasil dari Perhitungan Pemrograman Evolusioner terlihat seperti pada Tabel 3, Tabel dan Gambar. TABEL III HASIL PERHITUNGAN MINIMUM RATA-RATA MAKSIMUM DENGAN PEMOGRAMAN EVOLUSIONER Gambar 3. Struktur Sistem Diagnosis Fuzzy Evolusioner. IV. HASIL PEMBAHASAN Inputan data OLTC diperoleh dari ekstrasi gas dari minyak trafo 150/0 KV-30 MVA GI Kebonagung yang dilakukan sebanyak 90 kali aplikasi, untuk evaluasi gas yang dilakukan dilaboratorium PLN dan diolah dengan Metode Rasio Rogers dan Dornenburg. Inputan Data 1 CH H TABEL II DATA INPUTAN SAMPEL MINYAK OLTC TRAFO Inputan Data CH CH Inputan Data 3 CH CH 0.1001 0.89 0.09988 0.10000 0.9793 0.1001 0.10113 0.99731.97991 0.1001 0.0998 0.9970 0.0000 0.10000.99710 0.9999 0.1000.9915.80000 0.10001.97179.0 0.10009.999.999.999.97991.09999 0.09975.9899 0.90001 0.099.970 0.70003 0.09983.9900 1.19999 0.09979.9805 1.79995 0.0998.99007.08935 0.1878.9000 No. GEN MINIMUM RATA-RATA MAKSIMUM 1 90,00000 10,38000 111,00000 90,00000 100,58000 10,00000 3 90,00000 97,88000 10,00000 88,00000 95,78000 100,00000 5 88,00000 9,10000 97,00000 87,00000 9,5000 9,00000 7 8,00000 91,0000 9,00000 8 80,00000 90,000 93,00000 9 80,00000 89,7000 9,00000 10 77,00000 89,0000 93,00000 11 77,00000 87,9000 91,00000 1 77,00000 87,8000 91,00000 13 77,00000 87,0000 91,00000 1 77,00000 8,000 90,00000 15 77,00000 8,000 90,00000 1 77,00000 8,0000 90,00000 17 77,00000 85,5000 89,00000 18 77,00000 85,8000 88,00000 19 77,00000 8,800000 89,00000 0 77,00000 8,3000 88,00000 1 77,00000 8,18000 90,00000 77,00000 83,8000 87,00000 3 77,00000 83,000 91,00000 77,00000 83,0000 8,00000 5 77,00000 8,8000 88,00000 77,00000 8,5000 8,00000 7 77,00000 8,0000 8,00000 8 77,00000 8,08000 85,00000 9 7,00000 81,8000 8,00000 30 7,00000 81,5000 8,00000 31 7,00000 81,1000 83,00000 3 7,00000 81,1000 83,00000 33 7,00000 81,1000 85,00000 3 7,00000 81,1000 85,00000 35 7,00000 81,08000 85,00000 3 71,00000 80,5000 83,00000 37 71,00000 80,50000 85,00000 38 71,00000 80,0000 83,00000 39 71,00000 80,1000 8,00000 0 71,00000 80,1000 8,00000 1 71,00000 79,9000 8,00000 71,00000 80,0000 88,00000 3 71,00000 79,7000 8,00000 71,00000 79,8000 8,00000 5 71,00000 79,000 89,00000 71,00000 79,000 8,00000 7 71,00000 79,3000 87,00000 8 71,00000 79,000 89,00000 9 71,00000 79,1000 83,00000 50 71,00000 79,98000 83,00000 15
Jurnal Elektro ELTEK Vol., No. 1, April 011 ISSN: 08-89 Gambar. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe Gambar. Grafik Hasil Perhitungan Maksimum Rata-Rata dan Minimum Program Evolusioner Trafo OLTC. TABEL IV HASIL AKHIR PERHITUNGAN PROGTRAM EVOLUSIONER Output Data 1 CH Output Data CH Output Data 3 CH H CH CH 0,8153 0,37015 0,05 1,00000 1,791 1,00000 3,00000 3,00000 1,537 3,3589 3,0070 3,3391 0,1378 0,38999 0,5358, 1,11905,0038 Kesimpulan diagnosis : Tidak ada gangguan pada tipe karakteristik gas pada minyak trafo (kondisi 1 No fault). Programming tipe 3: CH =0,05 CH =0,8153 CH = 0,37015 H CH Kesimpulan hasil akhir analisa diagnosa dari OLTC minyak trafo dapat disimpulkan dengan kondisi delapan type gangguan adalah sebagai berikut: Programming tipe 1: CH =0,0371 CH =0,080 CH H CH =0,09018 Gambar 7. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe 3 Kesimpulan diagnosis : Suhu rendah pada minyak dan tidak terjadi gangguan gas pada minyak trafo (kondisi 1 No fault). Programming tipe : CH =1,00000 CH =1,00000 CH H CH =1,791 Gambar 5. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe 1 Tidak ada gangguan pada tipe karakteristik gas pada minyak trafo (kondisi 1 No fault). Programming tipe : CH =0,10000 CH =0,10000 CH = 0,107 H CH Gambar 8. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe 1
Jurnal Elektro ELTEK Vol., No. 1, April 011 ISSN: 08-89 Terjadi pembuangan parsial energi tinggi pada minyak trafo (kondisi 7 High energy partial discharge). Programming tipe 5: CH =1,537 CH =3,00000 CH H CH = 3,00000 Gambar 11. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe 7 Suhu rendah pada minyak dan tidak terjadi gangguan gas pada minyak trafo (kondisi 1 No fault) Programming tipe 8: Gambar 9. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe 5 Terjadi buangan energi tinggi gas pada minyak trafo (kondisi 9 High energy discharge). CH =,0038 CH =, CH H CH = 1,11905 Programming tipe : CH =3,3391 CH =3,3589 CH H CH = 3,0070 Gambar 1. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe 8 Buangan energi rendah pada gas minyak trafo (kondisi 8 Low energy discharge). V. KESIMPULAN Gambar 10. Hasil Simulasi OLTC minyak Trafo dengan Evolutionary Programming tipe Kesimpulan diagnosis : Terjadi buangan energi tinggi gas pada minyak trafo (kondisi 9 High energy discharge) Programming tipe 7: CH CH C =0,5358 =0,1378 H H =0,38999 Hasil Kesimpulan Kondisi Minyak OLTC Trafo yang telah dianaliasa dengan menggunakan program fuzzy evolusioner dengan 8 tipe kondisi gangguan adalah : Kondisi gas minyak trafo (1) Tidak ada gangguan pada tipe karakteristik gas pada minyak trafo (kondisi 1 No fault). Kondisi gas minyak trafo () Tidak ada gangguan pada tipe karakteristik gas pada minyak trafo (kondisi 1 No fault). Kondisi gas minyak trafo (3) Suhu rendah pada minyak dan tidak terjadi gangguan gas pada minyak trafo (kondisi 1 No fault). Kondisi gas minyak trafo () Terjadi pembuangan parsial energi tinggi pada minyak trafo (kondisi 7 High energy partial discharge). 17
Jurnal Elektro ELTEK Vol., No. 1, April 011 ISSN: 08-89 Kondisi gas minyak trafo (5) Terjadi buangan energi tinggi gas pada minyak trafo (kondisi 9 High energy discharge). Kondisi gas minyak trafo () Terjadi buangan energi tinggi gas pada minyak trafo (kondisi 9 High energy discharge). Kondisi gas minyak trafo (7) Suhu rendah pada minyak dan tidak terjadi gangguan gas pada minyak trafo (kondisi 1 No fault). Kondisi gas minyak trafo (8) Buangan energi rendah pada gas minyak trafo (kondisi 8 Low energy discharge). Minyak trafo 50 % tidak terjadi gangguan gas minyak, 5 % terjadi pembuangan gas energi tinggi, sedangkan 1,5 % terjadi pembuangan parsial energi tinggi dan terjadi pembuangan gas energi rendah, sehingga minyak dalam kondisi waspada dan perlu sering dilakukan pengecekan untuk penggantian minyak trafo. DAFTAR PUSTAKA [1] Guardado,J.L.,Neredo,J.L, A Comparative Study of Neural Network Efficieccy in Power Transformer Diagnosis Using Dissolved Gas Analysis, IEEE Trans.On Power Delivery. Vol 11, No, October 001. [] Panduan Pemeliharaan Trafo Tenaga. PT PLN (Persero) Penyaluran dan Pusat Pengaturan Beban Jawa Bali, Juni 003. [3] Yang, Hong-Tzer and liao Chiung-Chou. Adaptive Fuzzy Diagnosis System For Disolved Gas Analysis of Power Transformer. IEEE Trans.On Power Delivery. Vol 1,No, October 1999. [] Yann-Chang uang,hong-tzer Yang,Ching-Lien Huang. Developing a New Transformer Fault Diagnosis System through Evolutionary Fuzzy Logic.IEEE Trans on Power Delivery,Vol.1,No., April 1997 18