PENJADWALAN PEMBEBANAN MENGGUNAKAN FAKTOR PENALTI PADA SISTEM TRANSMISI 500 kv JAWA-BALI DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Had Sutanto Sarag *), Hermawan, and Susatyo Handoko Jurusan Teknk Elektro, Unverstas Dponegoro Semarang Jl. Prof. Sudarto, SH. Kampus UNDIP Tembalang, Semarang 50275, Indonesa *) Emal : hadsutantosarag@yahoo.co.d Abstrak Penjadwalan pembebanan merupakan hal pentng untuk mengoptmalkan transms daya pada sstem. Salah satu cara untuk menghaslkan sstem transms energ lstrk yang lebh optmal adalah dengan memnmalkan rug-rug sstem transms (transmsson losses) menggunakan perhtungan faktor penalt (penalty factor). Faktor penalt merupakan gambaran rug-rug daya pada saluran transms yang dhaslkan saat pembangkt mengrm daya ke beban. Mentransfer daya dar pembangkt yang losses tngg ke pembangkt yang losses rendah (penjadwalan pembangkt) dapat memnmalkan rug-rug sstem transms.untuk perhtungan penjadwalan pembangkt menggunakan metode Adaptve Neuro Fuzzy Inference System (ANFIS) dengan menggunakan software MATLAB. Dar peneltan n ddapat penjadwalan optmal pada sstem transms 500 kv Jawa-Bal dengan pengurangan losses pada 13 waktu pembebanan. Kata kunc : losses, faktor penalt, ANFIS, penjadwalan pembebanan Abstract Plant loadng schedule s an mportant part to fnd optmal power flow. One knd of method to generate more optmum electrcal energy transmsson system s to mnmze the transmsson system losses usng the calculaton of the penalty factor. Penalty factor s a characterstc of power loss n the transmsson lne that s produced when plants send power to the load. Transferng power from hgh losses plant to low losses (plant loadng schedule) could mnmze losses n the network. The calculaton of plant loadng schedule s usng Adaptve Neuro Fuzzy Inference System (ANFIS) n MATLAB software. Ths research obtaned optmal schedulng on the 500 kv transmsson system Java-Bal wth losses reducng at the 13 loadng tme. Keyword : losses, penalty factor, ANFIS, plant loadng schedule 1. Pendahuluan Dalam pengoperasan pembebanan jarngan 500 kv Jawa- Bal dlakukan dengan pembagan pembebanan pada pembangkt tenaga lstrk (penjadwalan pembebanan) yang akan menyupla beban. Dalam pembagan pembebanan n kerap kal mengabakan rug-rug pada sstem transms. Rug-rug pada sstem transms (losses) menyebabkan sstem transms jarngan 500 kv Jawa-Bal menjad kurang optmal. Untuk mendapatkan sstem transms yang optmal maka perhtungan faktor penalt sangat dperlukan. Dengan faktor penalt kta akan mengetahu pembangkt yang menyebabkan losses tngg dan pembangkt yang menyebabkan losses rendah dengan membandngkan dua buah pembangkt. Penjadwalan pembebanan dengan rug saluran transms rendah dapat menekan nla rug rug sstem transms. Teknk solus yang bak untuk penjadwalan pembebanan adalah dengan menggunakan Adaptf Neuro Fuzzy Inference System (ANFIS). Kelebhan ANFIS adalah mudah dmplementaskan. tujuan yang akan dcapa dalam peneltan n adalah sebaga berkut : 1 Menentukan konds optmal penjadwalan pembebanan pembangkt pada sstem 500 kv Jawa- Bal. 2 Menentukan faktor penalt dar tap pembangkt pada sstem 500 kv Jawa-Bal. 3 Mengetahu pengurangan Ploss yang terjad setelah penjadwalan pembebanan pada saluran transms 500 kv Jawa-Bal.
TRANSIENT, VOL.2, NO. 3, SEPTEMBER 2013, ISSN: 2302-9927, 615 2. Metode 2.1 Operas Optmal Sstem Tenaga [1] Operas optmal sstem tenaga dapat dgambarkan sebaga berkut: 1 F Ploss 1 P P Konds optmal dar 2 buah pembangkt adalah : 1 m n 1 F Ploss P P m m 1 m 1 Fn Ploss Pn P n (6) (7) Gambar 2.1 Operas optmal sstem tenaga Dar gambar 2.1 datas kta mendapatkan fungs obyektf, persamaan constran dan persamaan Lagrange sebaga berkut: Persamaan Lagrange : ᵹ = F T + λ ϕ (1) ᵹ = fungs Lagrange F T = fungs tujuan λ = faktor pengal Φ = fungs pembatas Dengan mengasumskan bahwa Pn dan Pm adalah pembangkt yang dentk maka ddapat persamaan berkut n: Fm Fn Pm Pn (8) Sehngga ddapatkan persamaan sebaga berkut: 1 1 Ploss Ploss 1 1 Pm P n (9) Dmana konds optmal dar pembangkt adalah: 1 1 Ploss (10) 1 P m Fungs tujuan merupakan fungs baya bahan bakar terhadap daya keluaran tap pembangkt. Fungs pembatas merupakan daya yang dsalurkan generator sama dengan beban dtambah Ploss dar sstem tersebut. Fungs tujuan : Ploss Pf <1 Pf >1 Pf =1 F T = F1+F2+...+ FN = F (P) (2). Fungs pembatas : n P P - P 0 (3) load loss 1 P2) P1 (vs Keadaan optmal dapat dperoleh dengan operas gradent dar persamaan lagrange sama dengan nol. 0 P (4) F Ploss 1 0 P P P (5) Gambar 2.2 Kurva karakterstk Ploss P1 (vsp2) 2.2 ANFIS [2],[5],[15] Untuk penyederhanaan, danggap bahwa fuzzy nference system memlk satu nput x dan satu output z. Untuk model fuzzy sugeno orde pertama, aturan umum dengan dua aturan fuzzy(rule) f then adalah sebaga berkut: Aturan : jka x adalah A 1 maka f 1 = p 1 x + r 1
TRANSIENT, VOL.2, NO. 3, SEPTEMBER 2013, ISSN: 2302-9927, 616 Layer 3 setap node pada layer n adalah node tetap yang bertanda N, node ke- menghtung perbandngan dar frng strength ke- terhadap jumlah semua frng strength. O3, = ѿ = w /(w 1 +w 2 +w 3 +w 4 ), = 1,2..4 (14) Untuk memudahkan, output layer n dsebut normalzed frng strength. Layer 4 setap node pada layer n adalah node adaptf dengan fungs node. O4, = ѿ f = ѿ (p x + r ) (15) Gambar 2.3 Arstektur ANFIS ekvalens arstektur ANFIS dtunjukkan pada gambar 2.3 dmana node-node pada layer yang sama mempunya fungs sama. Layer 1 setap node pada layer n adalah node adaptf dengan fungs node: O1, = μa (x),untuk = 1, 2, 3, 4 (11) Dmana x adalah nput node dan A adalah label lngustk (sepert kecl atau besar ) yang berhubungan dengan node tersebut. Dengan kata lan O1, adalah membershp grade dar hmpunan fuzzy A yang menyesuakan apakah nput x yang dberkan termasuk dalam anggota A 1, A 2, A 3, dan A 4. Dsn fungs keanggotaan A dapat berupa parameter fungs keanggotaan apa saja, sepert fungs gaussan bell. A (x) = a e (x-b - 2c 2 ) 2 (12) Dmana ѿ adalah normalzed frng strength dar lapsan 3 (layer 3) dan (p, r) adalah hmpunan parameter node tersebut. Parameter-parameter pada layer n dsebut consequent parameters. Layer 5 node tunggal pada layer n adalah node tetap yang dber tanda, yang menghtung rata-rata seluruh output dar jumlah semua snyal yang datang. Keseluruhan Output = O5, = _ѿ f / ѿ (16) Tabel 2.1 Aturan pembelajaran ANFIS Forward pass Backward pass Premse parameter Fxed Gradent descent Consequent parameter Least square estmator Fxed 2.3 Langkah Peneltan Langkah perancangan sstem dapat dgambarkan pada Flowchart dbawah n: Dmana (a, b, c ) adalah hmpunan parameter, karena nla dar parameter parameter n berubah, maka bentuk fungs bell menjad beragam sehngga menamplkan bermacam macam bentuk fungs keanggotaan untuk hmpunan fuzzy A. Parameter-parameter pada lapsan n dsebut premse parameters. Layer 2 setap node pada layer n adalah node yang tetap bertanda П, dmana outputnya merupakan perkalan dar semua snyal yang datang. O2, = ω = μa (x), = 1,2..4 (13) Tap output node n basanya dsebut frng strength. Umumnya operas perkalan fuzzy ( AND ) dgunakan sebaga fungs node pada layer n.
TRANSIENT, VOL.2, NO. 3, SEPTEMBER 2013, ISSN: 2302-9927, 617 Mula Mengambl data lapangan Mengubah data dalam satuan p.u. Smulas dengan Matpower4.1 Mencar ncremental losses Merancang Aplkas ANFIS Mengumpul kan data hasl ANFIS Smulas menggunakan Matpower Analsa dan Kesmpulan Selesa Gambar 2.5 Sstem transms 500 kv Jawa-Bal Sstem Jawa-Bal terdr dar dua jens OHL yatu ACSR DOVE dan ACSR GANNET spesfkas dar kedua penghantar sebaga berkut: Gambar 2.4 Flowchart peneltan 2.4 Data Lapangan [13] Sstem transms 500 kv Jawa-Bal terdr 25 bus, 30 saluran dan 8 pembangkt. Data lapangan yang kta dapatkan sebaga berkut: Tabel 2.2 Spesfkas penghantar sstem 500 kv Jawa-Bal No Jens Penghantar R(Ω/km) X(Ω/km) C (μc/km) Rate (MVA) 1 ACSR DOVE 0,0293 0,2815 0,01283425 1990 2 ACSR GANNET 0,0251 0,2808 0,01288837 2200
TRANSIENT, VOL.2, NO. 3, SEPTEMBER 2013, ISSN: 2302-9927, 618 Tabel 2.3 Data pembebanan sebelum optmal Pukul LOAD GSK GRTI PATN CRT MTW SGLN SRLY TJ TOT 9.00 13469 1248 462 3253 571 1049 703 4474 1833 13593 124 10.00 14859 1321 461 3466 633 1249 703 5270 1928 15031 172 11.00 14208 1350 471 3456 630 1286 703 4528 1919 14343 135 12.00 13289 1218 444 3293 181 1148 703 4598 1833 13418 129 13.00 13710 1319 455 3511 347 1166 704 4426 1920 13848 138 14.00 14193 1311 448 3603 368 1259 704 4518 2136 14347 154 15.00 14407 1245 452 3626 397 1161 704 4815 2168 14568 161 16.00 13672 851 444 3669 317 1148 704 4526 2173 13832 160 17.00 13601 852 420 3564 362 1159 704 4753 1930 13744 143 18.00 14162 935 465 3681 609 1311 704 4175 2429 14309 147 19.00 14160 1021 463 3689 426 1289 704 4281 2436 14309 149 20.00 13933 1025 374 3681 426 1176 704 4261 2431 14078 145 21.00 13596 973 426 3680 241 940 704 4349 2435 13748 152 PLOS S 2.5 Perancangan ANFIS [2],[3],[4],[12] A. langkah tranng ANFIS 1. mengubah data lapangan menjad data lapangan menjad data yang dbutuhkan software dalam satuan p.u. 2. Memula smulas loadflow (alran daya) pada applkas software Matpower4.1. 3. Menghtung ncremental losses menggunakan metode least square parabolc approach menggunakan mcrosoft excel. 4. Membangun struktur ANFIS. Sebaga berkut: a. sugeno fuzzy model b. metode nsalsas dengan grd partton c. fungs keanggotaan gaussbell dengan tap nput memlk 4 fungs keanggotaan. d. nput ANFIS adalah faktor penalt dan output ANFIS adalah Daya pembangkt. e. epoch yang dlakukan 100 kal. 3. Hasl dan Analsa Dar perancangan smulas datas kta mendapatkan faktor penalt dar tap pembangkt sebaga berkut. Tabel 3.1 Faktor penalt tap pembangkt B. Langkah applkas ANFIS 1. Membuka data tranng ANFIS 2. Memasukkan nla faktor penalt untuk mencar daya optmal. 3. Melakukan smulas load flow untuk mendapatkan alran daya optmal. Dar faktor penalt datas kta dapat menentukan pembangkt yang menyebabkan losses sstem tngg dan
TRANSIENT, VOL.2, NO. 3, SEPTEMBER 2013, ISSN: 2302-9927, 619 yang menyebabkan losses sstem rendah. Dmana pembangkt dengan faktor penalt lebh besar dar satu merupakan pembangkt yang menyebabkan losses sstem tngg dan pembangkt dengan faktor penalt lebh kecl dar satu menyebabkan losses sstem rendah. berdasarkan faktor penalt datas maka daya pada pembangkt yang menyebabkan losses sstem tngg dtransfer ke pembangkt yang meyebabkan losses sstem rendah. Untuk transfer daya datas kta lakukan dengan menggunakan metode ANFIS (Adaptve Neuro Fuzzy System) sesua dengan perancangan ANFIS yang telah djelaskan pada sub bab 3.3.Berkut hasl penjadwalan optmal ANFIS dtunjukkan pada tabel 3.2. Tabel 3.2 Hasl penjadwalan optmal ANFIS Pukul LOAD GSK GRTI PATN CRT MTW SGLN SRLY TJ TOT 09.00 13469 1663 271 3253 1101 1240 173 4464 1418 13583 114 10.00 14859 1795 251 3466 1051 1459 285 5260 1454 15021 162 11.00 14208 1761 304 3456 1174 1453 159 4518 1508 14333 125 12.00 13289 1642 208 3293 651 1384 233 4587 1409 13407 118 13.00 13710 1704 240 3511 750 1381 301 4415 1535 13837 127 14.00 14193 1867 264 3603 798 1443 274 4502 1580 14331 138 15.00 14407 1794 228 3626 824 1385 277 4798 1619 14551 144 16.00 13672 1448 206 3669 733 1386 288 4507 1576 13813 141 17.00 13601 1324 220 3564 934 1359 132 4742 1458 13733 132 18.00 14162 1667 244 3681 924 1532 389 4154 1697 14288 126 19.00 14160 1733 179 3689 802 1573 328 4260 1724 14288 128 20.00 13933 1735 213 3681 951 1337 179 4244 1721 14061 128 21.00 13596 1694 247 3680 776 1119 169 4329 1714 13728 132 PLOS S Dar tabel datas kta dapat mengetahu bahwa penjadwalan pembangkt memperhtungkan Ploss dengan faktor penalt menggunakan ANFIS memlk sstem yang lebh optmal. Hal n dapat dbuktkan pada tap penjadwalan pembebanan optmal dengan ANFIS Plossnya lebh kecl darpada Ploss penjadwalan sebelum optmal. Hasl pengurangan Ploss tap pembebanannya dtunjukkan pada tabel 3.3 berkut
TRANSIENT, VOL.2, NO. 3, SEPTEMBER 2013, ISSN: 2302-9927, 620 Tabel 3.3 Perbandngan Ploss Tanjung jat, Grat dan Sagulng cenderung menyebabkan losses sstem tngg terhadap pembangkt Gresk, Muaratawar, dan Crata. Daftar Pustaka Gambar 3.1 grafk perbandngan sebelum dan sesudah optmas ANFIS Dar tabel 3.3 dan Gambar 3.1 Datas dapat kta lhat dengan jelas perbedaan losses antara sebelum optmas dan setelah optmas menggunakan ANFIS. Dar data datas losses setelah optmas lebh kecl dbandngkan sebelum optmas dengan rata-rata pengurangan losses sebesar 15MW pada 13 waktu pembebanan. 4. Kesmpulan [1]. Wood Allen J, wollenberg Bruce F. 1996. Power Generator, Operaton, and Control, Second Edton. Jhon Wley & Sons,Inc [2]. Rony Seto W. 2003. Determnng Transmsson Ploss Penalty Factor Usng Adaptve Neuro Fuzzy Inference System (ANFIS) For Economc Dspatch Applcaton. Report book of Research Insttute of ITS. [3]. Granger, Jhon J. and Stevenson, Wllam D. 1998. Power System Analyss McGraw-Hll Internatonal Edton, Sngapore. [4]. Zmmerman Ray D, Murllo-Sanchez Carlos. 2007. MATPOWER. Power System Engneerng Research Center (PSERC) School of Electrcal Engneerng, Cornell Unversty, Ithaca, NY 14853. [5]. Dr.Eng.Agus Naba. 2009. Belajar Cepat FUZZY Logc Menggunakan MATLAB.Yogyakarta: ANDI [6]. Sasongko Pramono Had, Sarjya, Ageng Pangayoman Koco Suwto. 2012. Smulas Optmal Power Flow Pada Sstem Jawa-Bal 500 kv. Jurusan Teknk Elektro FT UGM, Yogyakarta. [7]. E.E, George. 1943. Intrasystem Transmsson Ploss. AIEE transactons vol 62. [8]. J.B Ward, J.R. Eaton, H. W. Hale. 1950. Total and Incremental Transmsson Ploss In Power Transmsson Network. AIEE transactons vol 69. [9]. L.K krchmayer, G.W.Stagg. 1952. Co-ordnaton Of Incremental Fuel Cost and Incremental Transmsson Ploss. AIEE Transactons, vol71. [10]. W. R. Brownlee. 1954. Co-ordnaton of Fuel Cost and Transmsson Loss. AIEE transactons. [11]. Utam Dew Rath. 2011. Optmsas Unt Commtment dan Economc Dspatch Pembangkt Hdrotermal Dengan Metode Algortma Genetka. Teknk Elektro UNDIP. [12]. Sr Wantoro Basuk. 2012. Partcle Swarm Optmzaton Untuk Optmsas Penjadwalan Pembebanan Pada Unt Pembangkt Pltg D PLTGU Tambak Lorok. Teknk Elektro UNDIP [13]. (2013). RENCANA OPERASI HARIAN (logsheet) PT PLN (PERSERO).Jakarta: PT PLN (Persero) P3B JB [14]. Wllam Lee. Curve Fttng n Mcrosoft Excel. [15]. Alfa F A.2012. Desan sstem kontrol ANFIS. Peneltan Teknk Elektro UNDIP Berdasarkan pengujan dan analsa yang telah dlakukan, maka dapat dsmpulkan beberapa hal yatu Metode Adaptve Neuro Fuzzy Inference System (ANFIS) dapat dgunakan untuk solus smulas dar penjadwalan pembebanan optmal pada sstem 500 kv Jawa-Bal. Dar hasl pengujan datas ddapatkan pengurangan rug-rug saluran tap jadwal pembebanan yang sgnfkan dengan pengurangan rug rata-rata dar 13 penjadwalan pembebanan adalah 15 MW. pengurangan losses pada 13 waktu pembebanan sebesar 194 MW. Pembangkt