Optimisasi Penempatan SVC untuk Memperbaiki Profil Tegangan dengan Menggunakan Algoritma Genetika

Optimisasi Penempatan SVC untuk Memperbaiki Profil Tegangan dengan Menggunakan Algoritma Genetika Syarifil Anwar 1,, Hadi Suyono, Harry Soekotjo D 1 Akademi Teknik Pembangunan Nasional, Banjar Baru, Kalimantan Selatan Program Pascasarjana Teknik Elektro Universitas Brawijaya, Malang e-mail: syarifilanwar@gmail.com Abstrak Penelitian ini membahas implementasi algoritma genetika (GA) pada sistem tenaga listrik. Salah satu implementasi GA adalah untuk mengoptimalkan penempatan SVC dan perbaikan profil tegangan.ga merupakan metode optimisasi berdasarkan perilaku mutasi dan pindah silang gen dan kromosom pada suatu individu untuk menghasilkan individu terbaik yang dapat bertahan dalam suatu proses evolusi. Aliran daya reaktif akan diatur sedemikian rupa sehingga rugi-rugi daya (losses) sistem akan menjadi seminimal mungkin. Dengan minimisasi rugi-rugi pada jaringan, profil tegangan bus akan dapat dijaga pada nilainilai yang diijinkan sehingga kontinuitas serta kualitas operasi sistem tenaga elektrik dapat senantiasa dipertahankan. Kata Kunci GA, SVC, optimisasi, daya reaktif, profil tegangan, rugi-rugi daya. P I. PENDAHULUAN ermintaan tenaga listrik yang terus meningkat secara konstan/tetap, disisi lain perluasan pembangkit tenaga listrik dan pembangunan saluran transmisi yang baru sangat terbatas. Maka terjadilah pola yang mengarah pada pembebanan yang dipaksakan pada pembangkit tenaga listrik dan transmisi yang terlampau berat, mengakibatkan rugi-rugi pada sistem menjadi lebih besar [10]. Permasalahan yang sering terjadi pada sistem transmisi terkait dengan variasi profil tegangan sisstem antara lain disebabkan berbagai gangguan pada sistem distribusi seperti kenaikkan beban, swell, dip dan sag serta terjadinya over voltage, karena over injection yang disebabkan sambaran petir dan open circuit. Untuk mengatasi gangguan jatuh tegangan (voltage drop) pada sistem transmisi, dipasang kapasitor bank (fix capacitor) dan Flexible AC Transmision System (FACTS) Device, salah satunya adalah Static VAR Compesator (SVC). Static VAR Compensator (SVC) adalah alat yang dapat meghasilkan atau menyerap daya reaktif statis yang dihubungkan paralel dan mempunyai keluaran (output) yang bervariasi untuk menjaga atau mengontrol parameter spesifik dari suatu sistem tenaga listrik. SVC terdiri dari komponen TCR (Thyristor Controlled Reactor), TSC (Thyristor Switched Capasitor) dan Filter Capasitor (FC). Filter harmonisa terhubung paralel dengan TCR yang berfungsi untuk mengatasi harmonisa yang dihasilkan oleh TCR. Prinsip kerja SVC adalah dengan mengatur sudut penyalaan thyristor, sehingga dapat mengatur keluaran daya reaktif dari SVC. Tujuan utama pemasangan SVC adalah untuk menjaga perubahan tegangan pada bus dalam jaringan distribusi serta untuk meningkatkan stabilitas tegangan dengan cara menyuntikkan daya reaktif dengan mengendalikan arus kapasitif atau arus induktif [11]. Untuk menentukan posisi penempatan atau pemasangan SVC yang tepat, maka digunakan metode optimasi dengan menggunakan fungsi obyektif berdasarkan parameter rugirugi daya (P loss ), rugi-rugi tegangan (V loss ) dan kapasitas SVC. Metode optimasi terdiri dari metode Deterministik seperti aplikasi Dynamic Programming (DP), Simplex, dan Linear Programming (LP) dan Metode Undeterministik Seperti Ant Colony Optimazation (ACO), Simulated Annealing (SA), Fuzzy Logic dan Genetic Algorithms (GA) [11]. Genetic Algorithm (GA) adalah sebuah metode yang paling sederhana untuk menyelesaikan masalah-masalah optimasi yang didasari pada seleksi alam, yaitu proses yang mengikuti evolusi atau perkembangan biologis. Genetic Algorithm secara berulang dapat merubah sebuah populasi secara individu pada masing-masing tahap, Genetic Algorithm menyeleksi individu-individu secara acak dari perkembangan populasi menjadi orang tua (parent) yang akan menghasilkan anak (children) sebagai generasi baru. Dibandingkan dengan metode lainnya seperti Fuzzy Logic, Metode Genetic Algorithm (GA) memiliki keuntungan, yaitu lebih sederhana, mudah dalam penjelasannya, harga rendah, kemampuannya cepat [19]. Penelitian ini akan membahas optimasi penempatan SVC dengan menggunakan metode GA pada sistem Jawa Madura Bali 500 kv untuk memperbaiki profil tegangan sistem melalui minimalisasi rugi-rugi jaringan transmisi. II. DASAR TEORI A. Static Var Compensator SVC berfungsi untuk menyuntikkan atau menyerap daya reaktif statis yang terkendali dan dihubungkan paralel yang mempunyai keluaran (output) yang bervariasi untuk mempertahankan atau mengontrol variabel tertentu pada sistem tenaga listrik, terutama tegangan bus. SVC terdiri dari TCR (Thyristor Controlled Reactor), TCS (Thyristor Capasitor Switched) dan filter. Filter berfungsi untuk mengatasi besarnya harmonisa yang dihasilkan oleh TCR. Peralatan Static VAR Compensator (SVC) digunakan untuk mengkompensasi daya reaktif. Prinsip kerja Static VAR Compensator (SVC) yaitu dengan cara mengatur sudut penyalaan thyristor, sehingga dapat mengatur keluaran daya reaktif dari SVC. Nilai tegangan sistem merupakan input bagi pengendali, yang kemudian akan mengatur sudut 03

penyalaan thyristor. Dengan demikian Static VAR Compensator (SVC) akan memberikan kompensasi daya reaktif yang sesuai dengan kebutuhan sistem. Gambar 1 menunjukan Static VAR Compensator Sistem. QQ mmmmmm = BB iiiiii xx VV rrrrrr (1) QQ mmmmmm = BB cccccc xxvv rrrrrr () Dimana: BB iiiiii = 1 XX, BB cccccc = 1 LL XX dan CC X L = Reaktansi Indiktif X C = Reaktansi Capasitif Sedangkan susceptansi (B) dari SVC dapat dinyatakan sebagai fungsi dari sudut penyalaan α, ditunjukan pada persamaan 3, sebagai berikut ini: BB ssssss = BB cccccc BB iiii (αα) (3) Daya reaktif yang dihasilkan oleh SVC dihitung melalui persamaan 4. Gambar 1. Sistem Static VAR Compensator. Untuk menganalisa injeksi daya reaktif SVC pada suatu sistem tenaga listrik, SVC dapat dimodelkan dengan beberapa cara sebagai berikut: Model Firing Angle SVC. Pemodelan SVC berupa reaktansi ekuivalen XSVC, yang merupakan fungsi dari perubahan sudut penyalaan α, yang terdiri dari kombinasi paralel admitansi ekuivalen thyristor controlled reactor (TCR) dan reaktansi kapasitif tetap, seperti ditunjukkan pada Gambar (a). Model ini memberikan informasi mengenai sudut penyalaan SVC yang diperlukan untuk mencapai tingkat kompensasi tertentu. Model Total Susceptance SVC. SVC dilihat sebagai sebuah reaktansi yang dapat diatur melalui perubahan susceptansi BSVC, yang melambangkan nilai susceptansi SVC total yang diperlukan untuk mempertahankan besar tegangan bus pada nilai tertentu, seperti ditunjukkan pada Gambar (a). Model firing angle SVC Gambar. Pemodelan SVC. Model total susceptance SVC Konfigurasi yang paling populer untuk SVC adalah kombinasi dari fixed capacitor (FC) dan thyristor controlled reactor (TCR). Dalam pemodelan SVC sebagai variable VAR sources seperti pada Gambar (b), kita dapat menetapkan batas maksimum dan minimum pada keluaran daya reaktif (Q SVC ), masing-masing sesuai dengan susceptansi induktif (B ind ) dan susceptansi kapasitif (B cap ) yang tersedia dan tegangan referensi (V ref ) Batasan ini dapat ditulis pada persamaan 1 dan persamaan. QQ ssssss = VV 1 xx BB ssssss (4) Dengan keseimbangan daya reaktif dengan tegangan (V 1 ) pada bus k berada pada range nilai range tersebut mencakup nilai positif maupun negatif. Dan juga dari gambar (b), arus yang dialirkan oleh SVC adalah pada persamaan 5. II SSSSSS = jjbb SSSSSS. VV 1 (5) Model Injeksi Daya Reaktif. SVC dapat digunakan untuk kompensasi yang bersifat induktif dan kapasitif. Pada kompensasi yang bersifat induktif, SVC menyerap kelebihan daya reaktif dari sistem sedangkan pada kompensasi yang bersifat kapasitif, SVC menginjeksikan daya reaktif ke sistem. Pada analisa aliran daya, SVC dapat dimodelkan sebagai injeksi daya reaktif ideal pada bus i melalui persamaan: QQ ii = QQ SSSSSS (6) Pada penelitian ini, SVC akan dimodelkan sebagai injeksi daya reaktif pada sistem tenaga listrik dilakukan Analisa pengaruh penempatan SVC dengan menggunakan analisa aliran daya metode Newton Raphson. B. Algoritma Genetika (GA)[5] Algoritna Genetika merupakan metoda adaptive yang biasa digunakan untuk pencarian nilai dalam sebuah masalah optimisasi. Algoritma ini didasarkan pada proses genetik yang ada dalam makhluk hidup, yaitu perkembangan generasi dalam sebuah populasi yang alami dan mengikuti seleksi alam atau yang bernilai tinggi akan bertahan. Nilai yang tinggi memberikan kesempatan untuk melakukan reproduksi silang dengan individu yang lain dalam populasi. Hasil reproduksi merupakan individu baru yang disebut keturunan/generasi. Sedangkan individu dalam populasi yang tidak terseleksi dalam reproduksi akan hilang. Dengan mengawinkan semakin banyak indvidu maka akan semakin banyak kemungkinan terbaik yang diproleh. Sebelum GA dijalankan, maka sebuah kode yang sesuai (representatif) harus dirancang. Untuk itu maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromoson/string yang terdiri atas komponen genenik terkecil yaitu gen. 04

Operasi gen yang paling umum digunakan dalam GA adalah reproduksi, pindah silang dan mutasi. Operatoroperator yang ada dalam GA adalah sebagai berikut: Reproduksi (Reproduction). Operator reproduksi merupakan probabilitas seleksi apakah sebuah kromosom pada suatu individu akan terpilih untuk digunakan kembali berdasarkan nilai fitnessnya. Terdapat beberapa metode seleksi seperti seleksi proporsional nilai fitness, rangking nilai fitness dan metode turnamen. Pada penelitian ini, metode seleksi yang digunakan adalah metode rangking linier nilai fitness. Individu yang terpilih adalah individu dengan nilai fitness yang tertinggi. Pindah Silang (Crossover). Operator pindah silang terutama bertanggung jawab terhadap pencarian nilai global GA. Operetor tersebut pada dasarnya mengkombinasikan struktur dari dua kromosom orang tua untuk menpatkan struktur kromosom yang baru, yang terpilih dengan probabilitas pindah silang (P c ). Pindah silang dapat terjadi pada satu posisi (single crossover) atau pada beberapa posisi (multiple crossover). Pada penelitian ini, pindah silang yang dilakukan hanya pada satu posisi. Mutasi (Mutation). Operator GA yang terakhir adalah mutasi. Mutasi digunakan untuk menambahkan nilai gen baru ke dalam sebuah populasi. Pada penelitian ini digunakan operator mutasi biner untuk mengganti nilai gen dari 1 menjadi 0 atau sebaliknya dengan nilai probabilitas mutasi (P m ) yang kecil. Setelah proses mutasi dilakukan, periode generasi yang baru telah selesai dan prosedur yang sama akan diulang kembali untuk menghitung nilai fitness populasi individu yan baru. Proses optimasi dengan menggunakan GA ditunjukkan pada Gambar 3. Populasi Awal Evaluasi Fitness Populasi Baru Gambar 3. Diagram Proses Algoritma Genetika (GA). Seleksi Individu Reproduksi Crossover Dan Mutasi III. ALGORITMA GENETIKA UNTUK OPTIMASI PENEMPATAN SVC Pada penelitian ini, GA akan digunakan untuk mengoptimasi penempatan SVC pada sistem tenaga listrik Jawa Bali 500 KV untuk meminimalkan losses dan memperbaiki profil tegangan di setiap bus sistem. SVC merupakan peralatan kompensator yang sering digunakan untuk meningkatkan performa sistem tenaga listrik untuk meningkatkan performa sistem yang berkaitan dengan losses dan profil tegangan. Peralatan ini memberikan tambahan kontrol daya reaktif secara dinamis pada sistem dengan menyerap kelebihan daya reaktif sistem serta menginjeksikan daya reaktif bila sistem berada pada kondisi kekurangan daya reaktif. GA digunakan untuk menentukan penempatan optimal dari SVC pada sistem 3 bus Jawa Bali 500 KV sehingga performa sistem secara keseluruhan terutama lossess sistem dapat diminimalisasi dan profil tegangan dapat dipertahankan pada batas-batas yang ditentukan. Tujuan utama dari penempaatan optimal SVC pada sistem tenaga adalah untuk meminimalkan losses sistem sehingga profil tegangan sistem dapat diperbaiki. Hal ini dapat dinyatakan dalam suatu fungsi obyektif sebagai berikut: nl = MMMMMMPP LL = nnnn kk=1 llllllll kk (7) PP LL = rugi daya real jumlah saluran. Dari fungsi obyektif tersebut ditentukan nilai Fitness berdasarkan persamaan berikut ini: Fitness = (1/P L ) (8) Optimisasi penempatan SVC memiliki batasan-batasan (constraints) sebagai berikut: Batasan Persamaan. Batasan ini berdasarkan persamaan aliran daya sebagai berikut: 0 = PP ii VV ii jjjjjj VV jj GG iiii ccccccѳ iiii + BB iiii ssssssѳ iiii, iiiinn BB 1 (9) 0 = QQ ii VV ii jjjjjj VV jj GG iiii ssssssѳ iiii + BB iiii ccccccѳ iiii, iiiinn PPPP dengan: VV ii = tegangan bus ke i VV jj = tegangan bus ke j GG iiii = konduktansi antara bus i dan j BB iiii = susceptance antara bus i dan j Ѳ iiii = perbedaan sudut tegangan bus i dan j n = jumlah bus NN BB 1 = jumlah total bus-bus diluar slack bus. NN PPPP =adalah jumlah bus PQ (10) Batasan Pertidaksamaan: Batasan ini merupakan batasan kondisi operasi sistem. Tegangan bus generator (V g i), daya reaktif yang dibangkitkan oleh kompensator seperti kapasitor banks (Q sh i), seting tap transformator (a i ), merupakan varibel kontrol yang sangat dibatasi. Tegangan bus (V i ) dan daya reaktif yang dibangkitkan generator (Q g i) merupakan batasan-batasan yang menentukan nilai fungsi obyektif. Batasan-batasan tersebut dapat dituliskan sebagai berikut: Dalam variabel-variabel kontrol, tegangan generator diambil sebagai variabel kontinyu, rasio tap trafo diambil sebagai variabel diskrit dan nilai-nilai konpensasi reaktif diambil sebagai variabel biner. Tegangan bus beban dan daya reaktif generator QQ GG diambil sebagai variabel-variabel keadaan. 05

Variabel kontrol kontinyu VV mmmmmm mmmmmm GGGG VV GGGG VV GGGG (11) Variabel kontrol discreet TT mmmmmm mmmmmm kk TT kk TT kk (1) Variabel kontrol biner QQ mmmmmm mmmmmm ssh QQ ssh QQ ssh (13) Variabel-variabel keadaan VV mmmmmm mmmmmm PPPPPP VV PPPPPP VV PPPPPP (14) QQ mmmmmm mmmmmm GGGG QQ GGGG QQ GGGG (15) Dalam penyelesaian masalah optimisasi penempatan SVC, unsur unsur solusi terdiri dari beberapa kontrol variabel yaitu tegangan generator (V G ), daya reaktif shunt kapasitor/reaktor (Q sh ) dan rasio tap tranfo (T). Variabel injeksi daya reaktif shunt (Q sh ) digunakan sebagai pemodelan SVC dan direpresetasikan dengan gen-gen dalam kromosom yang membentuk sebuah populasi dalam GA. Pada sistem tenaga listrik Jawa- Madura-Bali 500 KV tidak terpasang trafo. Dalam kasus ini semua bus dilibatkan untuk mendapatkan injeksi daya reaktif optimal pada sistem dan meminimalkan losses sistem dengan mengatur pembangkitan daya reaktif generator. Dalam penyelesaian optimisasi dengan menggunakan GA perubahan tegangan generator (kecuali slack bus) sebagai variabel kontinyu. Pengkodean gen dari kromosom satu gen mewakili satu variabel yang direpresentasikan dalam bentuk bilangan real (real encoding). Pada penelitian ini, terdapat dua string kromosom pada tiap-tiap individu. String pertama terdiri atas 5 gen (sama dengan jumlah bus pada sistem Jawa Madura Bali 500 kv) menunjukkan kemungkinan lokasi penempatan SVC. String ini terdiri atas bilangan real 0 dan 1 yang menunjukkan tidak atau terpasangnya SVC pada bus. String kedua juga terdiri atas 5 gen menunjukkan ukuran SVC yang akan dipasang pada bus. Representasi individu tersebut ditunjukkan pada gambar di bawah ini: (Single Line Diagram) sistem 500 kv Jawa-Bali dapat dilihat pada Gambar 5. Sasaran optimisasi penempatan SVC adalah memberikan pengendalian penyediaan daya reaktif yang optimal didalam sistem untuk mendapatkan rugi daya transmisi yang minimal serta dapat memperbaiki profil tegangan setiap bus. SVC akan menyerap daya reaktif pada kondisi sistem yang kelebihan daya reaktif dan menginjeksikan tambahan daya pada kondisi sistem yang kekurangan daya reaktif. Penempatan SVC akan dapat mempertahankan profil tegangan pada batas-batas yang diijinkan serta meminimalisasi losses yang muncul pada saluran pada berbagai kondisi pembebanan. Variabel kontrol dengan nilai maksimum dan minimum untuk pengujian sistem adalah dengan mempertahankan semua tegangan bus pada nilai 0.95 VV bbbbbb 1.05 pu. 11 10 5 Cirata Ngimbang 5 Cibinong 1 7 Bekasi 9 Cibatu Bandung Selatan 14 Cilegon 4 Gandul 6 Ungaran Cawang 13 1 4 Mandiracan Suralaya Kembangan 8 Tanjung jati 15 Balaraja 3 Muaratawar 19 0 Kediri 1 18 Depok Pedan Paiton 1 0 1 0 0 1 1 Lokasi penempatan SVC 16 Surabaya Barat 80 300 500 0 0 1 600 Ukuran SVC 3 Grati 17 Gresik Gambar 4 Representasi Kromosom untuk Optimasi Penempatan SVC pada Sistem 500 kv Jawa Bali Kedua string tersebut kemudian dikalian untuk setiap elemen sehingga didapatkan individu yang menunjukkan emungkinan penempatan dan kapasitas SVC pada bus sistem tenaga. Populasi yang dibangkitkan berupa matriks acak yang bernilai 0 atau1 untuk string pertama dan bilangan random antara 0 dan 1 yang dikaliakan dengan dasar MVA pada studi aliran daya untuk string kedua. Masing-masing populasi berukuran UkPop x JumGen. Setiap kromosom dalam populasi tersebut dikodekan menjadi nilai tegangan generator sesuai batasan nilai minimum dan maksimumnya. VV GG= VV GGGGGGGG + (VV GGGGGGGG VV GGGGGGGG ) kkkkkkkkkkkkkkkk (16) IV. SIMULASI DAN HASIL Sistem transmisi 500 kv Jawa Madura Bali yang digunakan dalam penelitian ini terdiri dari 1 buah swing bus, 7 buah generator bus, 17 buah load bus. Gambar SLD Gambar 5. Sistem Jawa Bali 500 kv. TABEL I DATA PEMBANGKITAN DAN BEBAN No. Nama Bus Beban Pembangkitan MW MVAR MW MVAR 1 Suralaya 147 71.71 1.145 Cilegon 46 53 0 0 3 Kembangan 376 33 0 0 4 Gandul 455 91 0 0 5 Cibinong 534 90 0 0 6 Cawang 614 186 0 0 7 Bekasi 1.073 59 0 0 8 Muaratawar 0 0 1.55 55 9 Cibatu 691 41 10 Cirata 66 8 554 19 11 Saguling 0 0 475 8 1 Bandung Selatan 647 37 0 0 13 Mandiracan 6 97 0 0 14 Ungaran 3 49 0 0 15 Tanjung Jati 701 33 1.34 5 16 Surabaya Barat 687 81 06

17 Gresik 136 13 517.6 13 18 Depok 371 104 0 0 19 Tasikmalaya 186 67 0 0 0 Pedan 563 451 0 0 1 Kediri 70 17 0 0 Paiton 600 0.606 45 3 Grati 94 38 87 64 4 Balaraja 639 03 0 0 5 Ngimbang 60 48 0 0 TOTAL 10.18 3.778 10.037.491 TABEL II DATA IMPEDANSI SALURAN i - j R(pu) X(pu) 1/B Tap Setting 1 0,00066496 0,007008768 0 1 1 4 0,003677677 0,035333317 0 1 5 0,01313334 0,1469579 0,003530571 1 3 4 0,001513179 0,01698308 0 1 4 18 0,000694176 0,00666998 0 1 5 7 0,004441880 0,04675400 0 1 5 8 0,00611600 0,059678000 0 1 5 11 0,004111380 0,045995040 0,00440973 1 6 7 0,001973648 0,018961840 0 1 6 8 0,00565600 0,054048000 0 1 8 9 0,008059 0,0711954 0 1 9 10 0,00739960 0,0634191 0 1 10 11 0,00147478 0,014168458 0 1 11 1 0,001957800 0,0190400 0 1 1 13 0,006990980 0,067165900 0,00649135 1 13 14 0,013478000 0,19490000 0,0139481 1 14 15 0,01353390 0,151407360 0,00363861 1 14 16 0,015798560 0,15178480 0,0036319 1 14 0 0,00903610 0,086814600 0 1 16 17 0,001394680 0,013399400 0 1 16 3 0,00398638 0,044596656 0 1 18 5 0,000818994 0,007868488 0 1 18 19 0,014056000 0,1574800 0,015114437 1 19 0 0,015311000 0,17188000 0,016463941 1 0 1 0,01091000 0,11518000 0,01106597 1 1 0,01091000 0,11518000 0,01106597 1 3 0,00443583 0,04964661 0,004769846 1 4 4 0,009794 0,08690 0 1 5 14 0,03479613 0,5580588 0,10097035 1 5 16 0,00596665 0,05734466 0 1 Analisa aliran daya (load flow) dilakukan pada sistem Jawa Balkil untuk mengetahui kondisi profil tegangan sebelum dan sesudah optimisasi penempatan SVC. Pada studi kasus ini, akan disimulasikan optimasi penempatan SVC dengan menggunakan GA pada kondisi beban dasar sistem kelistrikan Jawa Bali Adapun parameter-parameter GA yang digunakan pada penelitian ini ditunjukkan pada Tabel III. TABEL III PARAMETER ALGORITMA GENETIKA Parameter Nilai UkPop 10 Pcrossover 0,4 Pmutasi 0,05 MaxGenerasi 10 JumGen 5 Dari hasil analisa aliran daya (load flow) pada sistem Jawa Bali 500 kv sebelum penempatan SVC diketahui bahwa total daya yang dibangkitkan oleh generator adalah sebesar 1061.551 MW dan 5110.756 MVAR. Rugi-rugi saluran yang dihasilkan sebesar 148,551 MW dan 107,757 MVAR. Selain itu terdapat beberapa bus yang memiliki profil tegangan di luar batas-batas yang telah ditentukan dan bus-bus yang memiliki tegangan pada batas kritis. Setelah dilakukan optimasi penempatan SVC, hasil running load flow dengan metoda Newton-Rapson pada sistem tenaga listrik Jawa Bali dihasilkan rugi-rugi saluran sebesar 14,90 MW dan 1145,586 MVAR pasokan daya dari pembangkit 11606,940 MW dan 4345,586 MVAR. Optimsasi dengan menggunakan GA telah menentukan bahwa untuk memperbaiki profil tegangan sistem maka perlu dilakukan pemasangan dua buah SVC seperti yang ditunjukkan dalam Tabel IV. TABEL IV LOKASI PENEMPATAN SVC PADA SISTEM JAWA MADURA BALI 500 KV No Lokasi Pemasangan Kapasitas No Bus Nama Bus (MVAR) 1 1 Suralaya 6 19 Tasikmalaya 700 Pemasangan SVC pada bus 1 dan 19 berpengaruh pada perbaikan profil tegangan bus yang memiliki profil/ variasi tegangan di luar batas-batas yang telah ditentukan, terutama untuk bus yang mengalami kondisi. Adapun perbaikan profil tegangan pada bus yang mengalami kondisi under voltage ditunjukkan pada Tabel V. No Bus TABEL V PERBAIKAN PROFIL TEGANGAN PADA BUS UNDER VOLTAGE Nama Bus Sebelum Optimasi Tegangan (pu) Setelah Optimasi 19 Tasikmalaya 0.933 1.014 0 Pedan 0.97 0.956 1 Kediri 0.948 0.96 Secara lengkap, perbaikan profil tegangan pada setiap bus setelah penempatan SVC ditunjukkan pada Gambar 6. Tegangan (pu) 1,03 1,0 1,01 1 0,99 0,98 0,97 0,96 0,95 0,94 0,93 0,9 0,91 Sebelum Penempatan SVC Setelah Penempatan SVC 1 3 5 7 9 11 13 15 17 19 1 3 5 Nomor Bus Gambar 6. Profil Tegangan Sebelum dan Sesudah Penempatan SVC. Setelah dilakukan optimisasi penempatasn SVC terdjadi perubahan pembangkitan daya reaktif dari masing generator seperti ditunjukan dalam Tabel VI. Daya nyata (MW) dari pembangkit tidak mengalami perubahan kecuali slack bus 07

karena telah terjadi penurunan rugi-rugi pada transmisi. Perubahan besarnya aliran daya reaktif menghasilkan penurunan rugi-rugi transmisi dari 148,551 MW dan 107,757 MVAR sebelum pemasangan SVC menjadi 14,940 MW dan 1145,586 MVAR atau rugi-rugi daya aktif turun sebesar 3,77% dan rugi-rugi daya reaktif turun sebesar 5,15%. Perubahan besarnya aliran daya reaktif ke masingmasing bus juga memberikan perbaikan tegangan. Bus-bus yang nilai tegangan pada kondisi awal dibawah 0,95 setelah pengiriman daya reaktif mengalami perbaikan di atas 0,95 pu. TABEL VI DAYA PEMBANGKIT SETELAH PENEMPATAN SVC DENGAN ALGORITHM GENETIKA Sebelum Optimasi Setelah Optimisasi Nama Bus QQ PP GG (MW) GG QQ PP (MVAR) GG (MW) GG (MVAR) Suralaya 396,591 1143,533 490,980 100,587 Muara Tawar 155,000 1510,080 155,000 1348,338 Cirata 554,000 119,791 554,000 115,969 Saguling 475,000 719,443 475,000 564,733 Tanjung Jati 134,000 487,874 134,000 407,078 Gresik 517,600 543,014 517,600 455,411 Paiton 606,360 338,989 606,360 1,87 Grati 87,000 48,03 87,000 0,64 TOTAL 1061.551 5110.756 11606.940 4345.586 Secara keseluruhan, rugi-rugi pada saluran transmisi mengalami penurunan baik rugi-rugi pada daya aktif maupun rugi-rugi daya reaktif. V. KESIMPULAN Setelah melakukan simulasi dan analisis optimisasi penempatan SVC dengan menggunakan metoda GA pada sistem tenaga listrik Jawa-Madura-Bali 500 kv dapat ditarik kesimpulan penempatan SVC pada bus Suralaya (6 MVAR) dan bus Tasikmalaya (700 MVAR). Injeksi daya reaktif dari SVC menyebabkan penurunan rugi-rugi transmisi dari 148,551 MW dan 107,757 MVAR menjadi 14,940 MW dan 1145,586 MVAR atau rugi-rugi daya aktif turun sebesar 3,77% dan rugi-rugi daya reaktif turun sebesar 5,15%.. Pemasangan SVC juga dapat memperbaiki profil tegangan pada setiap bus pada batas-batas yang ditentukan yaitu antara 0.95 pu dan 1.05 pu. DAFTAR PUSTAKA [1] Acha, Enrique, dkk. 004. Facts :Modelling and Simulation in Power Network. John Wiley & Sons. LTD. Inggris [] Akhmatov, Vladislav and Sobrink.Kent. 004. A Static VAR Compensator Model For Improved Ride Through Capability of Wind Farms. Denmark. [3] Beaty, H. Wayne. 000. Handbook of Electric Power Calculation. Third Edition, Mc Graw Hill, USA [4] E.El-Hawary, Mohamed.1983. Electrical Power System Design And Analysis. Reston. Publishing Company. inc. A Prentice-Hall Company. [5] Eko, Hendri Hs, dkk, 007, Teknik Pengurangan Arus Inrush dan Pengurangan Harmonisa Pada Kapasitor Bank Untuk Beban Non Linier, Published by EEPIS, Surabaya. [6] Indarko, Fajar Galih. Penentuan Mvar Optimal SVC Pada System Transmisi Jawa Bali 500kV Menggunakan Bee Colony Algorithms. Jurnal, ITS Surabaya. [7] J. Arrillaga and N. R. Watson. 001. computer Modelling Of Electrical Power System second Edition. John Wiley & Sons ltd. England. [8] J. C. Das. 00. Power System Analysi. Short Circuit-load Flow And Harmonic, Amec, inc. Atlanta. Georgia. [9] Masoum, Mohammad A.S, dkk 004, Optimal Plecement, Replecement and Sizing of Capacitor Banks in Distorted Distribution network by Genetic Algorithms, Vol.19, No.4, IEEE Transactions on Power Delivery. [10] Marsudi, Djiteng. Ir, 008, Operasi Sistem Tenaga Listrik. Balai Penerbit & Humas ISTN. Jakarta. [11] P. Kundur, 1994, Power System Stability And Control. McGraw-Hill. Inc, California, USA. [1] R. Sastry Vedam dan Mulukutla S, Sarma. 009. Power Quality. VAR Compesation In Power Systems. CRC Press. London. New York. [13] Stephen, W. Fardo dan Dale R. Patrick. 009. Electrical Power System Technology, Third Edition. The Fairmont Press. inc. Indian Trail Francis. [14] Suyono. Hadi, Ph.D, 009. Power System Modelling For Transient Stability Analysis, workshop On Dynamic Simulation for SESB s Engineers. Unibraw. Malang. [15] Umar, dkk. 008. Optimasi Penempatan Multi Facts Device Pada Sistim Kelistrikan Sulawesi Selatan Menggunakan Genetic Algorithms, Jurnal, ISSN :1907-50 ITS, Surabaya. [16] Khuluk, Mukhtar, Optimasi Penempatan Lokasi dan Kapasitas Kapasitor Bank Menggunakan Genetica Algorithms pada Jaringan Distribusi Radial PT. Semen Gresik Pabrik Tuban I dan II, Tbk, Jurnal, Teknik Elektro, ITS, Surabaya. [17] Susiono, 006, Pemilihan Lokasi Optimum Pemasangan Filter Harmonik pada Sistem Distribusi Tenaga Listrik Tipe Radial, Jurnal, Universitas Udayana, Bali. [18] Masri, Syafrudin, 004, Analisa Kualitas Daya Sistem Distribusi Tenaga Listrik Perumahan Modern, Jurnal, Universitas Sains, Malaysia. [19] Robandi. Iman, 006, Desain Sistem Tenaga Modern, Andi, Yogyakarta. 08