OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp 031 5945043 Emal : zulary_efr@yahoo.co.d ABSTRAK Two Layer Partcle Swarm Optmzaton (TLPSO) untuk optmsas peletakan dan szng DG.Dstrbuted Generaton (DG) merupakan pembangkt tersebar dengan tuuan menekan losses daya rl pada sstem. Data yang dgunakan pada sstem n adalah 30 bus IEEE. TLPSO yang merupakan perkembangan dar PSO terbukt lebh unggul d bandngkan dengan PSO.TLPSO mampu menurunkan losses sebesar 57.3%sedangkan PSO sebesar 51.11%.dbandngkan dengan sebelum peletakan DG. Losses daya rl setelah peletakan DG dengan optmsas TLPSO turun sebesar 12.6% dbandngkan PSO. Kata kunc: Dstrbuted generaton (DG), peletakan dan szng optmal, Two Layer Partcle Swarm Optmzaton (TLPSO) ABSTRACT Two Layer Partcle Swarm Optmzaton (TLPSO) for layng and szng optmzaton DG.Dstrbuted Generaton (DG) s the power spread wth the am of suppressng the real power losses n the system. The data used n ths system s the IEEE 30 bus. TLPSO whch s the development of PSO s shown to be superor n comparson wth PSO.TLPSO able to reduce losses by 57.3% and amounted to 51.11% of PSO. Compared wth before layng DG.Real power losses after layng the optmzaton TLPSO DG decreased by 12.6% compared to PSO. Keywords: Dstrbuted generaton (DG), placement and optmal szng, Layer Two Partcle Swarm Optmzaton (TLPSO) PENDAHULUAN Pembangkt kecl tersebar atau basa dsebut Dstrbuted Generaton (DG), serng berkembangnya lmu pengetahuan dan teknolog dewasa n menad salah satu penyelesaan dalam sstem untuk menekan losses.alasan ekonom menad salah satu alasan peletakan DG karena losses sstem dapat tereduks, otomats baya dapat berkurang. Selan tu DG cukup efsen, handal dan cukup sederhana.(mohammad, 2011) Pengertan DG tu sendryatu pemasangan generator kecl ddekat pusat beban pada seluruh arngan dstrbus untuk memenuh kebutuhan beban lokal dan pemenuhan preventf untuk melonaknya permntaan daya.lossesdaya pada sstem dstrbus yang tngg dsebabkan karena tegangan rendah dan oleh karena tu arus menad besar (Keane, 2005).Peletakan DG dengan ukuran dan bus yang tepat dapat mengoptmalkan kera sstem.berbaga metode optmsas telah dkembangkan dalam peneltan peletakan dan ukuran yang optmal DG.Two Layer Partcle Swarm Optmzaton (TLPSO) sebaga pengembangan dar PSO dusulkan dalam peneltan n untuk memecahkan optmsas peletakan dan umlah optmal tga tpe DG dengan menggunakan data sstem 30 bus IEEE. TLPSO untuk menngkatkan keragaman dar partkel PSO basa, knera TLPSO n kal lebh efsen dbandng dengan PSO basa, dmana n adalah blangan real sebaga representas runnng program penguan untuk mencar optmaltas. Desan dar TLPSO yatu strukturnya terdr dar dua layer (layer atas dan layer bawah) maka swarm M dar partcle dan satu swarm dar partkel d bangktkan masng-masng pada layer atas dan layer bawah. Setap poss global terbak dar setap swarm layer bawah akan d set pada poss partkel dar swarm layer atas. Oleh karena tu, poss global terbak (Gbest) pada setap layer atas secara langsung 1
dpengaruh oleh setap partkel swarm layer bawah sehngga keragaman partkel menngkat untuk menghndar terebak local optmum. Dsampng tu operas mutas dtambahkan pada setap partkel masng-masng swarm pada layer bawah berdasarkan peluang mutas, maka patkel baru akan muncul dar lokal optmum untuk mendapatkan global optmum (Chen, 2011). Reduks losses daya rl dalam sstem dstrbus dbutuhkan dalam opersa sstem tenaga lstrk yang efesen.losses sstem tenaga dapat drumuskan sepert pada persamaan (Jan, 2010). P L = =1 n n =1 +B (Q P P Q ) A ( P P +Q Q ) Dmana A = R cos (δ δ ) V V Dmana dan B = R cos (δ δ ) V V P dan Q neks bersh daya rl dan reaktf pada bus ; V dan δ tegangan dan sudut pada bus. ; R resstans saluran antara bus Tuuan dar teknk peletakan adalah untuk memnmalkan total losses daya rl. Fungs obyektf dapat dtuls sebaga: P L N = SC k = 1 loss k Dengan bebarapa batasan yang dgunakan yatu: 1. Batasan kesembangan daya, dapat d rumuskan sebaga: N N P = PD + P DG L = 1 = 1 2. Batasan tegangan : V 1 mn V 1 V 1 max 3. Batasan arus I I max Dmana : Loss k merupakan pada bagan k, N SC umlah total dar bagan, P L losses daya rll sstem, P DG daya rl pembangktan DG pada bus dan P D permntaan beban pada bus. Partcle Swarm Optmzaton (PSO) METODE PENELITIAN 2
PSO merupakan salah satu algortma optmsas yang drumuskan pertama kal oleh Kennedy dan Eberhart pada tahun 1995 yang ternspras kebasaan dar sekumpulan burung atau kan dalam populas untuk mencar makan. Indvdu dalam populas tersebut dnamakan partkel (partcle), tap-tap partkel mempunyaposs(poston) dan velocty yang berubah berdasarkan pengalaman dar partkel terbak ( ).Partkel terbak adalah partkel yang palng dekat dengan sumber makanan (Mohammad, 2011). Perubahan poss dpengaruh oleh perubahan velocty dar masng-masng partkel, sesua dengan persamaan P (Oumaru, 2009).Velocty dhtung berdasarkan best dan G best yang drumuskan pada persamaan (Kennedy, 1995). k S +1 d =S k d +v k+1 d,=1,2, n d =1,2, m v k+1 d =(t ) v k d +c 1 rand ( Pbest d S k d ) +c 2 rand (Gbest d S k k +1 d ) v d P best Dmana dmana S k ttk pencaran arus, S k +1 m odfkas ttk pencaran, v k velocty arus, v k+1 modfkas velocty dar agen, v Pbest velocty yang berdasarkan P best, v Gbest velocty yang berdasarkan G best, n umlah anggota dalam grup, m umlah anggota dalam partkel, P best adalah P best dar agen, G best merupakan G best dar grup, ω fungs weght untuk velocty dar agen, c 1 koefsen weght. Berkut pers fungs koefsen dar weght: ω max ωmn k max.k ω =ω max dmana ω mn, ω max mnmum dan maksmum dar weght., k, k max arus dan maksmum teras. Gambar 1 konsep pencaran PSO Berkut n prosedur algortma PSO untuk optmsas peletakan dan szng dar DG dengan tuuan memnmalkan losses: 3
1. Input data bus dan lne bus, batas tegangan dan parameter PSO 2. Htung losses sebelum ada peletakan DG 3. Bangktkan secara random poss dan velocty dar partkel. 4. Untuk masng- masng partkel, ka tegangan memenuh syarat htung losses daya, ka tdak memenuh partkel tersebut akan d abakan. 5. Untuk masng-masng partkel bandngkan nla ftness dengan nla ftness P best, ka nla ftness tersebut lebh rendah dar nla P best set nla tersebut sebaga P best yang baru 6. Bandngakan P best dengan G best, ka P best lebh kecl G best adkan P best sebaga G best yang baru; ka tdak maka menggunakan G best yang lama 7. Update velocty dan poss masng-masng partkel menggunakan persamaan 6 dan 7 8. Cek teras, ka teras mencapa maksmum maka berhent atau kan belum maka kembal ke pont 4. 9. Cetak hasl. Two LayerPartcle Swarm Optmzaton (TLPSO) Two Layer Partcle Swarm Optmzaton (TLPSO) mempunya dua layer yatu layer atas dan layer bawah. Seumlah M swarm partcle dbangktkan pada layer bawah. Masng-masng global best poss pada masngmasng swarm pada layer bawah dtetapkan sebaga poss partkel d layer atas, sehngga global best poss pada layer atas secara tdak langsung dpengaruh partkel pada masng masng swarm layer bawah. Selanutnya operator mutas dtambahkan pada partkel dmasng-masng swarm dlayer bawah, penambahan operator n dtuukan agar terad varan baru pada partkel sehngga tdak mudah terebak pada konds lokal optmum. (Chen, 2011) Berkut n prosedur algortma TLPSO: 1. Tentukan layer atas dan bawah dan parameter TLPSO. 2. Bangktkan secara random nsalsas poss dan velocty dar partkel. Htung ftness G best pada masng-masng layer a. Bangktkan secara random poss awal dar partkel, ( x 1 x 2, x N ), {1,2,..,M } x k =[ x 1 k, x 2 k x D k ], {1,2,,M } k {1,2,, N }, pada swarm layer bawah. Poss dar partkel dtunukan sebaga: P best dan Dmana x k, {1,2,, D } berkut hasl yang d bangktkan secara random: x k = x mn +( x max x mn ). rand () Rentang dar parameter x k ddefnskan sebaga [ x mn, x max ] 4
b. Pembangktan secara random velocty vector awal dar partkel, {v 1, v 2, v N }, {1,2,.., M }, pada swarm layer bawah. Vektor velocty dtunukan pada pers. (10). v 1 =[ v 1 k, v 2 k, v D k ], {1,2,, M } k {1,2,, N } Dmana v k, {1,2,, D } v k = x max mn x.rand () 20 yang dbangktkan secara random dengan: c. Tentukan poss terbak ndvdu awal dar x k k, x Pbest, {1,2,.., M },k {1,2,, N } swarm layer bawah. Indvdu denga poss terbak dtentukan dengan: k =x k, {1,2,, M }, x Pbest, pada k {1,2,, N } d. Tentukan poss terbak secara global dar swarm th, y, {1,2,, M } pada layer bawah. Htung nla ftness dar k x Pbest x f ( Pbest k ) max k =1 K =arg k x Pbest dengan nla ftness terbak oleh Kemudan atur y = x k, {1,2,,M } k, f ( x Pbest ), k {1,2,, N } dan kemudan tentukan ndeks K dar e. Tentukan poss awal dar partkel dalam swarm layer atas. Poss global terbak { y 1, y 2,, y M } d atur untuk poss partkel dalam swarm layer atas. f. Atur vector velocty awal dar y,w, {1,2,, M }. Vector velocty dtunukan pada pers (12). w =[ w 1 w 1 w D ], {1,2,,M } Dmana, w, {1,2,, D } w k = x max mn x.rand () 20 yang dbangktkan secara random dengan rumus 5
g. Tentukan ndvdu awal dengan poss terbak dar partkel y Pbest, {1,2,,M } swarm layer atas. Indvdu dengan poss terbak dtentukan dengan: = y, {1,2,,M } y Pbest pada h. Tentukan poss global terbak dar swarm, y Pbest, f ( y Pbest ) {1,2,, M } nla ftness terbak dar J =arg max f ( y Pbest ). =1 y Gbest dan selanutnya car ndek J dar pada layer atas. Htung nla ftness dar y Pbest dengan menggunakan atur y Gbest = y Pbest 3. Tentukan umlah teras 4. Update vector velocty v k, {1,2,, M }, k {1,2,, M } dan vector poss x k pada swarm layer bawah v k =v k k +c 1.rand (). (x Pbest x k ) +v k c 2. rand (). ( y x k ) x k = x k +v k 5. Mutas patkel secara random x k ={x 1 k x 1 k x D }, {1,2,, M }, k {1,2,,M }. Jka rand ()<P m maka x k = x max ( x k mn x ), rand ()+0.5. dmana D rand k 6. Update ndvdu dengan poss terbak x Pbest, ={1,2,, M }, k={1,2,,m } poss terbak secara global y, =1,2,, M. Jka maka f ( x k k )>x Pbest, ={1,2,, M }, k={1,2,, M } x k Pbest=x k Jka f ( x k )> f ( y ), ={1,2,, M },k= {1,2,, M } maka y k = x Pbest 7. update vector velocty w, =1,2,,M dan poss y, =1,2,,M pada swarm layer atas. w =w +c 1.rand ().( y Pbest y ) 6
+c 2. rand (). ( y Gbest y ) y = y +w 8. update poss terbak dar ndvdu y Pbest, =1,2,, M Jka Jka f ( y )> f ( y Pbest f ( y Pbest )> f ( y Gbest ), =1,2,, M maka y Pbest = y ) =1,2,,M Maka y Gbest = y Pbest 9. Menurunkan v k dan w dengan konstanta v k =v k.r. r 0.1 w =w. r. 10. Menurunkan r dengan konstanta r=0.1 w 0.1, ka r>0.1 maka atur r=r, atau sebalknya 11. Iteras. Iteras+1, ka teras kembal ke tahap 4 12. Ftness tebak G maka kembal ke tahap 12; atau sebalknya ka teras G HASIL DAN PEMBAHASAN Metode yang dgunakan dalam peneltan peletakan dan szng DG dterapkan pada Belaye IEEE 30 bus yang merupakan Belaye dstrbus dengan konfguras dan szng yang bervaras. Sstem 30 bus mempunya total beban 283.4 Mw dan 126.2 Mvar, dan total daya rl 283.4 MW dan daya reaktf sebesar 0.3644Mvar. Perhtungan optmsas ddapatkan peletakan dan szng DG pada bus yang bervaras dan perbakan alran daya yang terbak dengan menggunakan algortma TLPSO sehngga losses daya mnmum. Parameter untuk algortma TLPSO dan PSO dtunukan pada Belay 1. Hasl smulas ddapatkan grafk konvergens untuk TLSPO dan PSO dengan waktu komputas 57.497201detk dan 56.256369 detk. Perbedaan waktu komputas karena PSO lstng program lebh pendek, hal n karena TLPSO memlk proses yang lebh panang dbandngkan dengan PSO basa yang hanya memlk satu layer. Tabel 1. Parameter TLPSO dan PSO TLPSO PSO Iteras max 200 200 C 1 0.7 0.7 C 2 0.9 0.9 W 0.4 0.4 7
w max 3 3 W mn 1 1 Swarm 20 Swarm bawah 10 Swarm atas 5 Sumber: data dolah Grafk tersebut menunukan optmsas DG yang dtunukan total losses daya aktf dar teras satusampa teras maxmum yatu 200. Penentuan teras maksmum dan parameter lan TLPSO d dapatkan dar proses tral and error dengan nla acuan dar referens peneltan yang pernah ada. Algortma TLPSO dar teras pertama sampa terakhr mendapatkan nla losses auh lebh kecl dbandngkan dengan PSO, Hal n dsebabkan TLPSO swarm pada layer atas terdr dar partkel-partkel terbak yang ada pada layer bawah, dengan kata lan layer atas adalah sekumpulan Pbest pada masng-masng kelompok Belayer bawah. Gbest pada TLPSO ddapatkan dar lma kelompok partkel pada layer bawah yang merupakan representas dar umlah runnng PSO basa sebanyak lma kal. Gbest ddapatkan terbak dar kelma tersebut.tlpso lebh lambat konvergen yatu pada teras ke 181 dbandngkan PSO yatu pada 120. TLPSO terad local optmum pada teras 60 sampa 180, pada teras 180 terad keragaman partkel sehngga operator mutas bekera dan pada teras 181 terad partkel varan baru sehngga losses dapat turun lag dan kemudan konvergen. Gambar 1. Grafk konvergens algortma TLPSO dan PSO ( Sumber : Hasl smulas Hasl smulas dengan perbedaan varas tpe DG dapat dlhat pada tabel 2.Losses sebelum d tambahkan DG sebesar 12.1496 MW, Optmsas menggunakan PSO losses turun menad 5.938739 MW, optmsas dengan TLPSO losses turun lag menad 5.188660 MW. Jumlah daya aktf DG optmsas antara TLPSO dan PSO sama yatu 179 MW yang membedakan adalah umlah peletakan bus dan Mvar yang d nekskan. Jumalah bus pada TLPSO yang dtempatkan DG sebanyak delapan sedangkan PSO tuuh bus.semakn banyak bus yang d tempat DG semakn lebah bak untuk menurunkan losses Tabel 2. Hasl smulas dengan perbedaan varas tpe DG TLPSO PSO Peletakan Optmal Losses Peletakan Optmal Losses(MW) 8
No Bus Szng MW+MVar (MW) No Bus Szng MW+MVar 12 60 + 0 15 40 + 0 14 10 + 0 19 8 + 2 16 3 + 2 21 5 + 0 20 10 + 0 22 6 + 4 5.18866 21 60 + 0 24 18 + 12 5.93874 25 12 + 8 28 99 + 0 27 10 + 0 30 3 2 30 14 + 1 8 bus 179 + 10 7 bus 179 + 16 KESIMPULAN Algortma TLSPO yang dgunakan dalam paper n untuk optmalsas peletakan DG mampu menurunkan Losses sebesar 57,3% sedangkan PSO sebesar 51.11% dbandngkan dengan sebelum dlakukan peletakan DG. Losses daya rl setelah peletakan DG dengan menggunakan kedua metode TLPSO dan PSO uga menunukan penurunan sebesar 12.6% dbandngkan PSO DAFTAR PUSTAKA Chen, C.C., 2011, Two Layer Partcle Swarm Optmzaton for unconstraned Optmzaton Problem, Appled Soft Computng,11(1), pp. 295-304. Jan. N, Sngh. S.N, and Srvastava. S.C., 2010, Partcle Swarm Optmzaton Based method Optmal Stng and Szng of Mutlple Dstrbuted Generators. 16 th Natonal Power Sstem Conference. 15 th -17 th December.pp. 669-674 Keane, A and M. O Melley, 2005.Optmal allocaton of embedded generaton on dstrbuton networks. IEEE Trans. Power Sys., 20(3): 1640-1646. Kennedy J and Eberhart R, 1995, Partcle Swarm Optmzer, IEEE nternatonal Conference on Neural Networks (Pert, Australa), IEEE Servce Center Pscataway, NJ, IV, pp1942-1948. Mohammad M and Nasab, M.A. 2011. PSO Based multobectve Approach for Optmal Szng and placement of Dstrbuted Generaton. 2(8): pp.832-837. Oumarou.I, Jang.D, and Ya. C. 2009. Partcle Swarm Optmzaton Appled to optmal Power Flow Soluton. Internatonal Coference on Natural Computaton.Ffth.Pp284-288. 9