Agung Yanuar W 2210 105 025 Prof. Dr. Ir. Adi Soeprijanto.MT, I Gusti Ngurah Satriyadi Hernanda,ST.,MT.
Pendahuluan
Latar Belakang Semakin meningkatnya kebutuhan energi listrik membuat kontinyuitas penyediaan tenaga listrik menjadi tuntutan yang semakin besar dari konsumen tenaga listrik. Oleh karena itu, maka dituntut adanya suatu sistem tenaga listrik yang handal Penggunaan berbagai macam metode simulasi untuk mendapatkan keandalan suatu sistem distribusi, memiliki beberapa keuntungan antara lain dapat diketahui metode mana yang lebih baik dan efektif.
Tujuan Tujuan yang dicapai dalam mengerjakan Tugas Akhir ini adalah untuk menganalisa data kegagalan sistem distribusi, dan untuk mengetahui indek keandalan dari sistem yang dievaluasi.
Teori Penunjang
Latin Hypercube Sampling Latin Hypercube Sampling adalah nilai rata-rata hasil penggabungan antara stratified sampling dan sampel acak. Stratified sampling adalah cara pengambilan sampel dengan memperhatikan strata (tingkatan) didalam populasi. Dalam stratified sampling, data yang digunakan dikelompokan kedalam tingkat-tingkatan tertentu.
Latin Hypercube Sampling 1. Menentukan ukuran sample n 2. Menentukan standar deviasi sistem yang akan dievaluasi 3. Pembangkitan sampel acak 4. Pembangkitan stratified sampling 5. Penggabungan antara stratified sampling dan sampel acak 6. Nilai rata-rata sampel
SIMULASI MONTE CARLO DALAM ANALISA KEANDALAN SISTEM DISTRIBUSI 1) Memasukkan nilai dari laju kegagalan (λ) dan MTTR sistem 2) Menentukan nilai laju perbaikan (µ) dari masing-masing peralatan. 3) Menentukan matrik hubung, yaitu sebuah matrik yang memiliki arti hubungan antar peralatan yang ada pada sistem. 4) Melakukan Metode LHS, untuk mendapatkan nilai (λ) dan (µ) baru. 5) Melakukan simulasi selama satu tahun. 6) membangkitkan bilangan acak kemudian menentukan nilai keandalan suatu peralatan persatuan waktu. 7) Melakukan peangacakan peralatan, yang menentukan peralatan mana yang dianalisa. 8) Membandingkan antara nilai dari keandalan peralatan dengan bilangan acak 9) Menghitung jumlah kegagalan, dan berapa lama waktu tersebut gagal dengan mempertimbangkan hubungan antar peralatan. 10) Melakukan metode LHS, untuk mendapatkan jumlah kegagalan yang baru. 11) Langkah (4) sampai (8) dilakukan selama waktu iterasi kemudian dianalisa hasilnya untuk menentukan nilai SAIDI dan SAIFI.
Indeks Keandalan SAIFI Indeks keandalan, hasil pengukuran frekuensi kegagalan rata-rata tiap konsumen dalam suatu daerah yang dievaluasi. SAIDI Indeks keandalan, hasil pengukuran durasi gangguan sistem ratarata tiap konsumen dalam suatu daerah yang dievaluasi. CAIDI Indeks ini berisi tentang waktu rata-rata penormalan sistem ketika terjadi gangguan pada setiap konsumen dalam satu tahun.
SAIFI dengan: λ= laju kegagalan penyulang Mi= jumlah pelanggan pada penyulang
SAIDI dengan: μ = laju perbaikan penyulang Mi= jumlah pelanggan pada setiap penyulang
CAIDI dengan: μ = laju perbaikan penyulang λ= laju kegagalan penyulang Mi= jumlah pelanggan pada setiap penyulang
Analisa Data
PT. PLN Area Surabaya APJ Surabaya Barat GI Babadan GI Karang pilang APJ Surabaya Selatan GI Ngagel GI Rungkut GI Sukolilo GI Tandes APJ Surabaya Utara GI Kenjeran GI Kupang GI Krembangan GI Simpang GI Krian GI Waru 1 GI Waru GI Wonokromo GI Wonorejo GI Sawahan GI Undaan GI Ujung Baru
Jumlah Pelanggan Pelanggan per-penyulang: APJ Surabaya Barat: 4296 pelanggan (42 penyulang) APJ Surabaya Selatan: 2861 pelanggan (98 penyulang) APJ Surabaya Utara: 5494 pelanggan (77 penyulang)
Standart WCS GAP Analysis
Indeks Keandalan Simulasi Latin Hypercube Sampling Data GI Sukolilo (APJ Surabaya Selatan)
Single Line GI Sukolilo
Indeks Keandalan Simulasi Latin Hypercube Sampling Gardu Induk Sukolilo Iterasi (N) Elapsed Time (Second) SAIFI (kali/tahun) SAIDI (jam/tahun) CAIDI (jam) 1000 16.581 1.125 0.352 0.31 5000 77.071 1.125 0.350 0.32 10000 120.308 1.120 0.350 0.31 15000 184.968 1.122 0.350 0.31
Grafik SAIFI dan SAIDI GI Sukolilo (LHS)
Indeks Keandalan Simulasi Monte Carlo Gardu Induk Sukolilo Iterasi (N) Elapsed Time (Second) SAIFI (kali/tahun) SAIDI (jam/tahun) CAIDI (jam) 1000 3.950 1.057 0.339 0.32 5000 16.364 1.058 0.339 0.32 10000 35.604 1.059 0.338 0.31 15000 48.325 1.055 0.338 0.32
Grafik SAIFI dan SAIDI GI Sukolilo (MC)
Perbedaan LHS dan MC SAIFI GI Sukolilo LHS SAIFI GI Sukolilo MC
Indeks Keandalan APJ Area Surabaya Menggunakan Metode Simulasi LHS APJ Surabaya Selatan: GARDU INDUK SAIFI (kali/cust) INDEKS KEANDALAN SAIDI (menit/cust) CAIDI (menit) Standar WCS 3 100 33.3 GI Ngagel 4.019 26 6.6 GI Wonorejo 10.545 151.6 14.37 GI Waru 3.053 109.7 35.9 GI Tandes 5.382 12.6 2.4 GI Sukolilo 1.125 21.1 18.75 GI Wonokromo 2.846 34.7 12 GI Rungkut 1.699 35.4 21
APJ Surabaya Barat: GARDU INDUK APJ Surabaya Utara: SAIFI (kali/cust) INDEKS KEANDALAN SAIDI (menit/cust) CAIDI (menit) Standar WCS 3 100 33.3 GI Babadan 2.617 34.3 13.2 GI Karang pilang 2.066 109 52.7 GI Krian 4.427 13.9 3.1 GI Waru 1 7.453 336.5 44.8 GARDU INDUK SAIFI (kali/cust) INDEKS KEANDALAN SAIDI (menit/cust) CAIDI (menit) Standar WCS 3 100 33.3 GI Kupang 2.839 111.2 39 GI Kenjeran 1.909 15.8 8.4 GI Krembangan 1.000 2.3 2.3 GI Sawahan 1.155 2.8 2.4 GI Simpang 1.156 32.2 27.6 GI Undaan 2.447 2.1 0.84 GI Ujung Baru 2.127 0.2 0.06
APJ INDEKS KEANDALAN SAIFI SAIDI Standar WCS 3 100 Surabaya Barat 4.135 123.4 Surabaya Selatan 4.002 55.9 Surabaya Utara 1.805 23.8 > standar WCS
Perbandingan Indeks Keandalan LHS APJ LHS SAIFI SAIDI data sim error data sim error Surabaya Barat 2.99 4.135 38.29 79.44 123.4 55.33 Surabaya Selatan 3.05 4.002 31.21 79.3 55.9 29.51 Surabaya Utara 2.91 1.805 37.97 70.9 23.8 66.43
Kesimpulan Ada beberapa Gardu Induk yang memiliki nilai SAIFI dan SAIDI diluar standar WCS antara lain; GI Krian, GI Waru, GI Ngagel, GI Wonorejo, GI Tandes, dan GI Kupang. APJ Surabaya Barat dan Selatan memiliki nilai SAIFI dan SAIDI diluar standart WCS, sehingga dapat dikatakan APJ Surabaya Barat dan Selatan kurang handal jika dibandingkan dengan APJ Surabaya Utara. Prosentase kesalahan metode LHS, untuk nilai SAIFI <40%, sedangkan SAIDI <70%. Dalam mencapai hasil yang optimal, metode simulasi Latin Hypercube Sampling memerlukan <30% iterasi Monte Carlo.
TERIMA KASIH