Metoda Penelitian dengan Metoda Taguchi Menentukan faktor- faktor yang berhubungan dengan hasil yang ingin dicapai Apabila hasil yang diperoleh belum sesuai dengan yang diharapkan, ubah nilai level masing-masing faktor Ulangi eksperimen dengan nilai level yang berbeda Menentukan level yang bervariasi untuk masingmasing faktor Dari hasil eksperimen dilakukan analisis untuk mengatur faktorfaktor tersebut agar sesuai dengan hasil yang diharapkan Bandingkan hasil eksperimen yang diperoleh dengan hasil eksperimen sebelumnya Menyusun orthogonal array berdasarkan jumlah faktor dan level Lakukan eksperimen sesuai jumlah yang diperlukan dalam orthogonal array untuk melihat pengaruh masing-masing faktor Ulangi eksperimen sampai diperoleh hasil yang diinginkan
Bentuk umum Orthogonal Arrays : L a (b c ) a = banyaknya baris / eksperimen b = banyaknya level c = banyaknya kolom / faktor Orthogonal Arrays standard Orthogonal Arrays dengan 2 level L 4 (2 3 ), L 8 (2 7 ), L 12 (2 11 ), L 16 (2 15 ), L 32 (2 31 ), L 64 (2 63 ) Orthogonal Arrays dengan 3 level L 9 (3 4 ), L 27 (3 13 ), L 81 (3 40 ) Orthogonal Arrays dengan 4 level L 16 (4 5 ), L 64 (4 21 ) Orthogonal Arrays dengan 5 level L 25 (5 6 )
Dalam memilih orthogonal array yang sesuai diperlukan suatu persamaan yang dapat mempresentasikan jumlah faktor, jumlah level dan jumlah eksperimen yang akan dilakukan. Jumlah derajat kebebasan pada orthogonal array standar harus lebih besar atau samadengan perhitungan derajat kebebasan pada eksperimen yang akan dilakukan.
Orthogonal Array L 9 (3 4 ) Eksperimen P 1 P 2 P 3 P 4 Biaya 1 1 1 1 1 J 1 2 1 2 2 2 J 2 3 1 3 3 3 J 3 4 2 1 2 2 J 4 5 2 2 3 1 J 5 6 2 3 1 2 J 6 7 3 1 3 2 J 7 8 3 2 1 3 J 8 9 3 3 2 1 J 9 Kontribusi level 1 V (1) 1 V (1) 2 V (1) 3 V (1) 4 Kontribusi level 2 V 1 (2) V 2 (2) V 3 (2) V 4 (2) Kontribusi level 3 V 1 (3) V 2 (3) V 3 (3) V 4 (3)
Gambar di bawah menunjukkan kecenderungan fungsi biaya dengan sumbu x menunjukkan tiga level dari masing-masing faktor dan sumbu y menunjukkan kontribusi total dari masing-masing level setiap faktor. Dari gambar kecenderungan fungsi biaya, dapat ditentukan nilai dari masing-masing faktor harus dinaikkan atau diturunkan untuk menurunkan biaya.unkan untuk menurunkan biaya.
Optimisasi ED menggunakan Metoda Taguchi T T Y
Sistem jaringan 26 bus IEEE
PERBANDINGAN HASIL SIMULASI METODA LAGRANGE MULTIPLIER DENGAN METODA TAGUCHI Beban 492 MW Unit Pembangkit Metoda lagrange Metoda Taguchi Multiplier Pembangkit 1 (MW) 212.135 214.1654 Pembangkit 2 (MW) 50.000 50.000 Pembangkit 3 (MW) 82.274 80.102 Pembangkit 4 (MW) 50.000 50.000 Pembangkit 5 (MW) 50.000 50.000 Pembangkit 6 (MW) 50.000 50.000 Total losses (MW) 2.409 2.165 Total pembangkitan (MW) 494.409 494.1654 Daya beban (MW) 492 492 Biaya ($/hr) 6089.97 6087.83
Unit Pembangki Beban 903 MW Unit Pembangkit Metoda lagrange Metoda Taguchi Multiplier Pembangkit 1 (MW) 369.267 365.6244 Pembangkit 2 (MW) 112.059 112.9004 Pembangkit 3 (MW) 201.474 200.6978 Pembangkit 4 (MW) 73.456 71.9903 Pembangkit 5 (MW) 102.850 107.8629 Pembangkit 6 (MW) 50.000 50.000 Total losses (MW) 6.106 6.076 Total pembangkitan (MW) 909.106 909.076 Daya beban (MW) 903 903 Biaya ($/hr) 10766.82 10766.60
Beban 1263 MW Unit Pembangkit Metoda lagrange Metoda Taguchi Multiplier Pembangkit 1 (MW) 447.611 448.8643 Pembangkit 2 (MW) 173.087 170.1742 Pembangkit 3 (MW) 263.363 260.9448 Pembangkit 4 (MW) 138.716 134.7694 Pembangkit 5 (MW) 166.099 174.4492 Pembangkit 6 (MW) 86.939 86.6146 Total losses (MW) 12.815 12.816 Total pembangkitan (MW) 1275.815 1275.816 Daya beban (MW) 1263 1263 Biaya ($/hr) 15447.72 15446.86
Dari ketiga simulasi tersebut, dapat dilihat bahwa penggunaan metoda Taguchi dalam masalah ED untuk meminimisasi biaya bahan bakar memberikan hasil yang lebih baik dibandingkan dengan metoda Lagrange Multiplier. Pada beban rendah yaitu 492 MW, selisih biaya antara kedua metoda tersebut adalah sebesar 2,14 $/jam atau 0,035% dan selisih losses sebesar 0,244 MW atau 0,049%. Pada beban menengah yaitu 903 MW, selisih biaya antara kedua metoda tersebut adalah sebesar 0,22 $/jam atau 0.002% dan selisih losses sebesar 0.03 MW atau 0,491% Sedangkan pada beban tinggi yaitu 1263 MW, selisih biaya antara kedua metoda tersebut adalah sebesar 0,86 $/jam atau 0,006% dan besarnya losses sama.
[1] Saadat, H., (1999), Power System Analysis, McGraw-Hill Companies, Inc, Singapura. [2] Fan, J.Y. dan Zhang, L., (1998), Real-Time Economic Dispatch With Line flow and Emission Constrains Using Quadratic Programming, IEEE Trans. Power Syst., vol. 13, no. 2, pp. 320-325. [3] Naka, S., Genji, T. Dan Fukuyama, Y., (2001), Practical Distribution State Estimation Using Hybrid Particle Swarm Optimization, in Proc. IEEE Power Engineering Society Winter Meeting, vol. 2, Columbus, OH, pp. 815-820. [4] Wood, A.J. dan Wollenberg, B.F., (1996), Power Generation Operation and Control, 2 nd edition, John Wiley & Sons. Inc., New York. [5] Liang, J.X. dan Glover, J.D., (1992), A Zoom Feature for a Dynamic Programming Solution to Economic Dispatch Including Transmission Losses, IEEE Trans. Power Syst., vol. 7, no. 2, pp. 544-550. [6] Lin, W.M., Cheng, F.S. dan Tsay, M.T., (2002), An Improved Tabu Search for Economic Dispatch With Multiple Minima, IEEE Trans. Power Syst., vol. 17, no. 1, pp. 108-112. [7] Ross, D.W. dan Kim, S., (1989), Dynamic Economic Dispatch of Gene-ration, IEEE Trans. Power Apparatus and Systems, vol. PASS-99, no. 6, pp. 2060-2088. [8] Sinha, N., Chakrabarti, R. Dan Chattopadhyay, P.K., (2003), Evolutionary Programming Techniques for Economic Load Dispatch, IEEE Trans. Evol. Comput.., vol. 7, no. 1, pp. 83-94. [9] Yang, H.T., Yang, P.C. dan Huang, C.L., (1996), Evolutionary Programming Based Economic Dispatch for Units With Nonsmooth Fuel Cost Functions, IEEE Trans. Power Syst., vol. 11, no. 1, pp. 112-118.
[10] Lee, K.Y., Yome, A.S. dan Park, J.H., (1998), Adaptive Hopfield Neural Networks for Economic Load Dispatch, IEEE Trans. Power Syst., vol. 13, no. 2, pp. 519-526. [11]Park, J.H., Kim, Y.S., Eom, I.K. dan Lee, K.Y., (1993), Economic Load Dispatch for Piecewise Quadratic Cost Function Using Hopfield Neural Network, IEEE Trans. Power Syst., vol. 8, no. 3, pp. 1030-1038. [12]Park, J.B., Lee, K.S., Shin, J.R., Lee, K.Y., (2005), A Particle Swarm Optimization for Economic Load Dispatch with Nonsmooth Cost Function, IEEE Trans. Power Syst., vol. 20, no. 1, pp. 34-42. [13]Saber, A.Y., Chakraborty, S., Razzak, S.M., dan Senjyu, T., (2009), Optimization of Economic load Dispatch of Higher Order General Cost Polynomials and Sensitivity Using Modified Particle Swarm Optimization, Electric Power System Research, no. 79, pp. 98-106. [14]Walters, D.C. dan Sheble, G.B., (1993), Genetic Algorith Solution of Economic Dispatch With Valve Point Loading, IEEE Trans. Power Syst., vol. 8, no. 3, pp. 1325-1332. [15]Liu, D. dan Cai, Y., (2005), Taguchi Method for Solving the Economic Dispatch Problem With Nonsmooth Cost Function, IEEE Trans. Power Syst., vol. 20, no. 4, pp. 2006-2014. [16]Ni Ketut A., (2005), Optimasi Operasi Pembangkit Sistem Tenaga Menggunakan Algoritma Genetika, Tesis Jurusan Teknik Elektro FTI-ITS, Surabaya. [17] Marsudi, D., Ir., Operasi Sistem Tenaga Listrik, Balai Penerbit & Humas ISTN, Jakarta. [18] Roy, R. K., (), A Primer on The Taguchi Method, Society of Manufacturing Engineers, [19] Soejanto, I., (2009), Desain Eksperimen dengan Metode Taguchi, Graha Ilmu, Yogyakarta.
TERIMAKASIH