1 BAB I PENDAHULUAN 1.1 Latar Belakang Listrik pada abad ini sudah merupakan kebutuhan primer yang tidak bisa tergantikan. Karena pentingnya listrik ini, sistem yang menyuplai dan mengalirkan listrik ini harus bisa memenuhi kebutuhan daya dari konsumen listrik. Sistem ini biasa disebut dengan sistem tenaga listrik. Sistem tenaga listrik terdiri dari pembangkitan, transmisi, dan distribusi. Sistem ini bisa berjalan namun masih disertai dengan banyak permasalahan. Salah satunya adalah permasalahan pada pembangkitan yaitu daya yang dibangkitkan oleh pembangkit harus dapat memenuhi kebutuhan beban dengan biaya pembangkitan energi listrik yang semurah mungkin dengan tidak melanggar kekangan-kekangan yang berlaku. Cara meminimalisir biaya pembangkitan ini meliputi upaya meminimalkan biaya pembangkitan awal (start-up cost) dan meminimalkan biaya bahan bakar (fuel cost). Untuk mengoptimalkan biaya total pembangkit ini perlu adanya suatu metode. Metode optimasi yang digunakan adalah untuk meminimalisir biaya pembangkitan dengan cara membuat penjadwalan pembangkitan yang dikenal dengan sebutan unit commitment (UC). Tujuan utama dari UC adalah menghasilkan penjadwalan pembangkitan seefektif mungkin sehingga biaya pembangkitan total dapat diminimalisir. Dalam meminimalisir total biaya ini, kekangan-kekangan pada sistem maupun unit pembangkit harus dapat dipenuhi. Kekangan yang biasa digunakan pada UC adalah total batas daya mampu memenuhi beban, cadangan berputar, batas daya masing-masing pembangkit, minimum up time, dan minimum down time [1]. Kriteria secara tradisional yakni secara deterministik untuk mengatur minimum cadangan berputar adalah paling sedikit sama dengan unit dengan kapasitas terbesar atau sesuai persentase dari beban yang ditentukan [2]. Kriteria ini tidak mempertimbangkan tingkat keandalan dari setiap unit pembangkit yang dapat mengarah pada tingginya biaya dengan tingkat keandalan yang terlalu tinggi 1
ataupun murahnya biaya dengan tingkat keandalan yang sangat rendah [2]. Pada penelitian ini nantinya, pengaturan cadangan berputar akan menggunakan metode probabilitas sehingga didapatkan solusi dengan keandalan yang diinginkan. Dalam perkembangannya, telah banyak metode-metode yang tersedia yang digunakan untuk menyelesaikan permasalahan UC. Tinjauan pustaka pada permasalahan UC dan teknik-teknik solusinya telah ditinjau oleh [3]. Metode optimisasi yang awal mulanya digunakan yakni metode berbasis iterasi konvensional seperti integer programming, dynamic programming (DP), lagrangian relaxation [3], priority list (PL) [3], [4], dan lain-lain. Metode PL merupakan metode yang sederhana dan sangat cepat namun solusi yang didapatkan seringkali sub optimal dengan biaya yang mahal. Metode DP terjebak dalam solusi sub optimal ketika memotong beberapa solusi yang tidak layak untuk mengurangi waktu komputasinya. Karena kelemahan-kelemahan tersebut, teknik optimasi menggunakan artificial intelligence (AI) yang berbasis metaheuristic seperti ant colony search algorithm, fuzzy systems, simulated annealing (SA) [3], particle swarm optimization (PSO) [5], genetic algorithm (GA) [6] [10], shuffle frog leaping algorithm (SFLA) [11], [12], dan firefly algorithm [13], [14] mulai banyak digunakan dalam penelitian-penelitian. Metode-metode ini mampu menangani kekangan nonlinear yang kompleks untuk mendapatkan solusi yang berkualitas. Metode campuran juga telah digunakan oleh [5], [15] dan mampu menyelesaikan permasalahan UC secara efektif. Pencarian metode dengan solusi penjadwalan yang efektif terus dilakukan oleh para peneliti. Dalam hal ini peneliti melakukan penelitian mengenai unit commitment menggunakan algoritma genetika (AG) dengan pendekatan priority list (PL) mempertimbangkan tambahan kekangan, yaitu kekangan pada saluran transmisi (network constraints) dan kekangan keandalan (reliability constraints). Kelebihan metode AG diantaranya dapat digunakan untuk menyelesaikan masalah UC dan OPF dengan kurva non-convex dan kekangan yang nonlinear serta AG tidak dibatasi oleh bentuk kurva karakteristik pembangkit, karena algoritma ini bekerja dengan menggunakan metode probabilitas, bukan 2
deterministik [16]. Keuntungan menggunakan metode AG adalah sifatnya yang menggunakan multi searching bukan single point untuk mencari solusi dari populasi yang dibangkitkan, sehingga AG dapat memberikan banyak pilihan solusi [16]. Kelemahan AG terkadang terjebak pada solusi lokal optimal karena banyaknya probabilitas solusi yang dicoba [11]. Dalam penelitian ini operator tambahan pada AG yang digunakan diadaptasi dari [9] dan juga ditambahkan perbaikan populasi awal agar solusi yang terbentuk memenuhi kekangankekangannya. Pada penelitian ini inisial populasi dari AG juga akan diperbaiki menggunakan hasil dari metode PL untuk mempercepat proses konvergensi ke titik solusi optimal. Metode PL yang digunakan menggunakan average production cost (APC) [17] untuk urutan menyalakan unit pembangkitnya. Metode PL yang digunakan menggunakan hold on status [18] untuk mendapatkan biaya yang lebih murah. 1.2 Perumusan masalah Permasalahan yang diangkat dalam penelitian ini adalah sebagai berikut. 1. Apakah metode AG dengan pendekatan PL ini mampu mendapatkan hasil yang lebih optimal jika dibandingkan dengan metode AG saja atau pun metode PL saja? 2. Apakah metode AG dengan pendekatan PL ini mampu digunakan untuk menyelesaikan permasalahan UC dengan mempertimbangkan kekangan keandalan? 3. Apakah metode AG dengan pengkodean real mampu digunakan untuk menyelesaikan permasalahan OPF setiap jamnya pada sub permasalahan UC? 1.3 Keaslian penelitian Secara umum, permasalahan penjadwalan UC dapat diselesaikan dengan menggunakan suatu metode optimisasi. Metode optimisasi yang telah digunakan oleh para peneliti-peneliti sebelumnya untuk menyelesaikan masalah UC dengan 3
kekangan umum ini dapat dibagi menjadi dua kelompok metode. Kelompok metode pertama adalah menggunakan metode konvensional seperti metode priority list [4], integer programming, dynamic programming, linear programming, branch and bound, dan lagrangian relaxation (LR) [3]. Metodemetode ini cepat dalam mendapatkan solusi, namun solusi yang didapat merupakan solusi sub optimal. Kelompok metode kedua, yakni yang berbasis pada metaheuristic seperti particle swarm optimization (PSO) [19], shuffled frog leaping algorithm (SFLA) [11], [12], firefly algorithm [14], dan GA [6], [8] [10]. Peneliti [11] menggunakan metode SFLA untuk menyelesaikan masalah UC dengan fungsi objektif minimisasi biaya pembangkitan. Dalam paper ini, diperlihatkan perbandingan hasil dengan metode lainnya. Metode pada kelompok metaheuristic ini dapat menghasilkan solusi lebih optimal pada sistem 10 unit dan duplikasinya daripada metode konvensional yang di dalam paper [11] dibandingkan dengan LR. Pencarian metode yang dapat menghasilkan solusi lebih baik terus dilakukan, sehingga para peneliti [5], [15], [18] dan [20] mencoba mengkombinasi metode-metode yang ada dengan harapan mendapatkan solusi yang lebih optimal. Metode yang dikombinasikan bisa antara metode metaheuristic ataupun dengan metode konvensional. Peneliti pada referensi [5] mencoba menggabungkan metode PSO dengan GA yang keduanya merupakan metode metaheuristic. Metode PSO dengan kode biner digunakan untuk menyelesaikan masalah penjadwalan, sedangkan GA digunakan untuk menyelesaikan masalah economic dispatch (ED) yaitu mengatur berapa daya yang dibangkitkan tiap unit pembangkit untuk mendapat biaya minimum. Kesimpulan yang ditarik oleh peneliti adalah metode ini dapat melepaskan diri dari solusi lokal optimal. Dalam referensi [15], metode metaheuristic standar GA dikombinasikan dengan metode konvensional PL dan bisa mendapatkan biaya yang lebih optimal dibandingkan dengan metode lainnya yang diacu. Dalam referensi [18], ED diselesaikan dengan metode GA yang dikombinasi dengan prinsip dasar dari tabu 4
search dan penjadwalan digunakan metode PL dengan hold on status. Dengan berkembangnya penelitian mengenai UC, muncul kekangan lainnya yang ditambahkan ke dalam permasalahan UC untuk lebih memodelkannya seperti dalam keadaan dalam sistem nyata. Kekangan yang dimasukkan termasuk kekangan jaringan dan kekangan keandalan. Kekangan jaringan ini ditambahkan untuk menambah faktor keamanan pada sistem seperti yang digunakan oleh [21] [23]. Dalam permasalahan ini sub masalah ED diselesaikan dengan menambahkan kekangan jaringan sehingga perlu dilakukan tambahan studi aliran daya. Hasil penjadwalan dengan kekangan ini mampu memenuhi batasan tegangan pada bus, daya yang disalurkan pada saluran, dan daya reaktif yang mampu dibangkitkan setiap unit pembangkit. Kekangan keandalan seperti pada [13], [23], [24] digunakan untuk mengetahui tingkat keandalan pada sistem dan menjaga sistem agar tidak melebihi batas resiko yang telah ditentukan. Ketidakpastian dalam sistem dapat terjadi pada pembangkit atau bisa terjadi karena kesalahan peramalan beban. Dalam hal ini, peneliti [13], [23] [25] menggunakan indeks loss of load probability (LOLP) sebagai pengganti pengaturan cadangan berputar secara deterministik (ketidakpastian pembangkit). Indeks resiko dihitung setiap jamnya dan dibandingkan dengan LOLP yang ditentukan dari awal. Hasil solusi yang didapatkan memiliki indeks resiko yang dibawah indeks yang ditentukan. Peneliti [24], [25] menambahkan indeks expected unserved energy (EUE) untuk pemodelan jika terjadi error dalam peramalan beban. EUE dihitung per jam dan totalnya dibandingkan dengan EUE yang ditentukan. Hasilnya mampu memenuhi indeks resiko yang ditentukan. Penelitian dalam tesis yang dilakukan ini mencoba menggabungkan metode PL sebagai inisialisasi populasi dari AG untuk mempercepat konvergensi dari AG guna menyelesaikan permasalahan UC dengan mempertimbangkan kekangan keandalan dan sub permasalahan dari UC yakni ED dengan tambahan kekangan jaringan diselesaikan dengan menggunakan metode AG dengan pengkodean real. Penelitian dengan menggabungkan PL dengan AG ini sudah 5
pernah dilakukan [15]. Namun AG yang digunakan adalah AG biasa sehingga solusi yang digunakan sering terjebak di sub optimal. Dalam penelitian tesis ini, AG yang digunakan ditambahkan dengan operator tambahan yang diadaptasi dari [9] untuk menambah kemampuan mencapai solusi optimal. Metode PL yang digunakan menggunakan average production cost (APC) [17] untuk urutan menyalakan unit pembangkitnya dan menggunakan hold on status [18] untuk mendapatkan biaya yang lebih murah. 1.4 Tujuan Penelitian Tujuan dilaksanakannya penelitian ini adalah, 1. mengetahui apakah metode AG dengan pendekatan PL ini mampu mendapatkan hasil yang lebih optimal jika dibandingkan dengan metode AG saja atau pun metode PL saja, 2. mengetahui apakah metode AG dengan pendekatan PL ini mampu digunakan untuk menyelesaikan permasalahan UC dengan mempertimbangkan kekangan keandalan, 3. mengetahui apakah metode AG dengan pengkodean real mampu digunakan untuk menyelesaikan permasalahan OPF setiap jamnya pada sub permasalahan UC. 1.5 Manfaat Penelitian Penelitian mengenai UC dengan mempertimbangkan kekangan keandalan dan kekangan jaringan menggunakan AG dengan pendekatan PL nantinya diharapkan dapat memberikan gambaran dan alternatif solusi tentang pengembangan metode optimisasi untuk menyelesaikan permasalahan UC dengan kekangan keandalan dan kekangan jaringan. 6