RAMADONI Detektor Gempa - UMY Repository

0
HAK CIPTA (HKI)
5
10
Judul Invensi:
METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI
BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION
15
Inventor:
20
Dr. Ramadoni Syahputra, S.T., M.T.
Ir. Agus Jamal, M.Eng.
25
Diajukan untuk Memperoleh Hak Cipta
dari Direktorat Jenderal HKI
Kementerian Hukum dan HAM Republik Indonesia
30
35
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA
Maret 2016
1
Deskripsi
METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI
MENGGUNAKAN LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION
5
Bidang Teknik Invensi
Invensi ini berhubungan dengan suatu metode optimisasi
10
konfigurasi jaringan distribusi guna mengurangi rugi-rugi
jaringan
distribusi
dalam
rangka
meningkatkan
menggunakan
logika
fuzzy
efisiensi
dan
sistem
particle
swarm
optimization, aliran daya listrik pada sistem distribusi,
otomasi
15
operasi
switching
sistem
distribusi,
dan
peningkatan performa sistem distribusi.
Latar Belakang Invensi
20
Usaha
distribusi
meminimalkan
daya
rugi-rugi
listrik
telah
(losses)
menjadi
energi
persoalan
sistem
penting
dalam dekade terakhir. Dari seluruh komponen sistem tenaga
listrik,
sistem
distribusi
merupakan
komponen
yang
mempunyai rugi-rugi terbesar. Sebagai contoh adalah sistem
25
tenaga
listrik
(Persero).
Indonesia
Berdasarkan
rugi-rugi
energi
total
(Ibrahim,
2009).
Dari
distribusi
30
di
tercatat
audit
PLN
total
memiliki
yang
dikelola
energi
oleh
hingga
se-Indonesia
tersebut,
rugi-rugi
PT
2008,
PLN
angka
adalah
16,84%
rugi-rugi
sistem
terbesar
yaitu
14,47%, sedangkan rugi-rugi sistem transmisi hanya 2,37%.
Ada beberapa cara untuk meminimalkan rugi-rugi daya
pada sistem distribusi di antaranya rekonfigurasi jaringan,
pemasangan
kapasitor
daya,
penyeimbangan
beban,
dan
menaikkan aras (level) tegangan (Abdelaziz dkk, 2009). Cara
35
pemasangan kapasitor pada jaringan dan penyeimbangan beban
biasanya mengalami kesulitan karena beban sistem distribusi
2
yang
sangat
dinamis.
Dengan
demikian
nilai
kapasitansi
kapasitor harus selalu berubah dari waktu ke waktu, dan
beban
harus
meminimalkan
5
listrik
selalu
rugi-rugi
memerlukan
peralatan
diseimbangkan.
yang
dengan
biaya
terhubung
Sedangkan
meningkatkan
yang
besar
dengan
sistem
cara
aras
tegangan
karena
seluruh
ini
harus
mampu
bekerja pada tegangan yang baru, sementara hasilnya belum
tentu memuaskan. Oleh karenanya, dalam rencana penelitin
ini
10
hanya
difokuskan
pada
cara
rekonfigurasi
jaringan
distribusi daya listrik.
Dalam
sistem
distribusi
primer
terdapat
dua
jenis
switch yang dirancang untuk tujuan proteksi dan manajemen
konfigurasi
switch
15
(Rao
tersebut
dan
Sivanagaraju,
adalah
switch
yang
2010).
dalam
Kedua
keadaan
jenis
normal
tertutup (sectionalizing switches) dan switch yang dalam
keadaan
normal
jaringan
terbuka
merupakan
(tie
proses
switches).
perubahan
Rekonfigurasi
topologi
sistem
distribusi dengan mengubah-ubah status switch dari keadaan
terbuka
20
menjadi
rekonfigurasi
menjadi
banyaknya
kombinasi
statusnya
dalam
konfigurasi
menutup
25
tertutup
kedua
tidak
switch
jaringan
dapat
jenis
sebaliknya.
sederhana
kandidat
suatu
jaringan
atau
yang
sedemikian
akan
distribusi.
dicapai
switch
karena
dengan
sehingga
Proses
diubah
Perubahan
membuka
sifat
atau
keradialan
jaringan dapat dipertahankan.
Guna mendapatkan rekonfigurasi jaringan yang optimal
sehingga
rugi-rugi
diperlukan
rekonfigurasi
30
sebagai
metode
sistem
rekonfigurasi
jaringan
berikut
distribusi
distribusi
(Abdelaziz
dkk,
menjadi
yang
dapat
2009):
baik.
minimal,
Metode
diklasifikasikan
metode
berbasis
heuristik, metode berbasis paduan heuristik dan optimisasi,
dan metode berbasis kecerdasan buatan.
Metode berbasis paduan heuristik dan optimisasi telah
dilakukan oleh beberapa peneliti. Metode paduan ini mampu
3
menjamin
konvergensi
singkat,
akan
dan
tetapi
waktu
komputasi
menghasilkan
yang
relatif
beragam
derajat
keakuratan (Baran dan Wu, 1989). Karena metode ini berbasis
heuristik, maka tidak mudah untuk dibawa menjadi cara yang
5
sistematik
guna
mengevaluasi
solusi
optimal.
Selanjutnya
Taylor dan Lubkeman (1990) mengembangkan metode berbasis
heuristik dengan pendekatan sistem pakar (expert system).
Pendekatan yang diambil adalah dengan cara menyusun pohon
keputusan (decision tree) guna merepresentasikan berbagai
10
operasi
switching
yang
mungkin.
Pendekatan
ini
cukup
efisien untuk sistem distribusi dengan switching yang tidak
terlalu
besar.
Akan
tetapi
untuk
sistem
distribusi
yang
besar maka diperlukan waktu pencarian optimal yang sangat
lama.
15
Selain
itu
diperlukan
pohon
keputusan
yang
lebih
rinci dan kompleks guna memberikan jaminan solusi optimal.
Wagner dkk (1991) menawarkan pendekatan pemrograman linear
menggunakan
baru
teknik
berbasis
transportasi
analisis
aliran
dan
daya
pencarian
optimal.
heuristik
Berdasarkan
hasil penelitian ini disimpulkan bahwa pemrograman linear
20
menggunakan
aplikasi
algoritma
rekonfigurasi
rugi-rugi
daya
pencarian
heuristik
transportasi
penyulang
listrik
tidak
(feeder)
bersifat
menghendaki
sesuai
karena
nonlinear,
fungsi
untuk
fungsi
sementara
yang
linear.
Kemudian Sarfi dkk (1996) menggunakan algoritma berbasis
25
teori penyekatan (partitioning theory) dalam rekonfigurasi
jaringan
distribusi.
Jaringan
distribusi
disekat-sekat
menjadi beberapa kelompok bus beban, dan selanjutnya rugirugi
saluran
diminimalkan.
30
diperoleh
antar
Walaupun
relatif
kelompok
hasil
berhasil,
bus
beban
minimisasi
akan
tetapi
tersebut
rugi-rugi
metode
yang
dengan
membagi jaringan distribusi ke dalam kelompok-kelompok bus
ini hanya cocok untuk sistem distribusi yang tidak terlalu
besar.
4
Metode
adalah
lain
metode
untuk
rekonfigurasi
artificial
neural
jaringan
network
distribusi
(ANN)
yang
dikembangkan oleh Kim dkk (1993). Akan tetapi dengan metode
ini
5
sering
terjebak
kompleksitas
komputasi
dalam
yang
solusi
selalu
minimum
meningkat,
lokal,
dan
sulit
diterapkan untuk fungsi objektif tertentu. Metode berbasis
tabu
search
distribusi
paralel
telah
untuk
digunakan
oleh
rekonfigurasi
Mori
dan
penyulang
Ogita
(2000).
Metode ini terdiri dari dua skema paralel yaitu dekomposisi
10
tetangga
dengan
prosesor
paralel
untuk
menunkan
beban
komputasi, dan keragaman panjang tabu untuk meningkatkan
akurasi
solusi.
Metode
berbasis
tabu
search
paralel
memberikan hail yang lebih baik dibanding metode genetic
algorithm dan metode Simulated Annealing. Selanjutnya Chung
15
dkk
(2004)
menggunakan
algoritma
tabu
search
untuk
menyelesaikan masalah rekonfigurasi jaringan dalam sistem
distribusi
dalam
rangka
mengurangi
rugi-rugi
resistif
saluran. Dalam metode ini dilakukan pengecekan keradialan
sistem
20
distribusi
dikembangkan
berbasis
guna
menyelesaikan
simpul
jaringan
masalah
yang
yang
berkaitan
metode
simulated
dengan perencanaan pemulihan sistem.
Jeon
dan
annealing
dan
Kim
(2004)
metode
tabu
memadukan
search
untuk
merekonfigurasi
penyulang distribusi guna memperbaiki waktu komputasi dan
25
sifat
konvergensi
dalam
optimisasi.
Mekhamer
dkk
(2008)
mengusulkan metode berbasis tabu search termodifikasi untuk
rekonfigurasi sistem distribusi. Metode ini diawali dengan
memodifikasi
penggunaan
tabu-list
dengan
ukuran
variabel
guna mencegah terjadinya iterasi dalam siklus yang sama dan
30
luput dari jebakan minimum lokal. Selanjutnya Su dkk (2005)
memperkenalkan
untuk
penggunaan
menyelesaikan
algoritma
masalah
pencarian
rekonfigurasi
ant
colony
jaringan
yang
optimal guna menurunkan rugi-rugi daya distribusi. Metode
ini tergolong baru dan metode evolusi yang sangat cerdas
5
dalam
menyelesaikan
masalah
optimisasi.
Pendekatan
dalam
metode ini berbasis populasi yang menggunakan penjelajahan
5
umpan-balik
positif.
terinspirasi
dari
bagaimana
Algoritma
perilaku
mereka
mencari
pencarian
alamiah
sumber
koloni
makanan
ant
colony
semut
tentang
dan
membawanya
kembali ke sarangnya dengan membangun formasi lintasan yang
unit. Dengan menerapkan metode ini, solusi optimal untuk
rekonfigurasi
jaringan
distribusi
dapat
dicapai
dengan
lebih efektif. Dibandingkan dengan metode genetic algorithm
10
dan simulated annealing, secara numerik metode ant colony
memberikan
hasil
yang
lebih
baik
terutama
dalam
menghasilkan rugi-rugi daya rerata jaringan distribusi.
Penggunaan logika fuzzy dalam usaha meminimalkan rugirugi jaringan distribusi telah dilakukan oleh Hsiao (2004).
15
Dalam
makalahnya
berbasis
metode
jaringan.
diusulkan
multi-objektif
pemrograman
evolusi
metode
tersebut,
Dalam
diformulasikan
fungsi
menggunakan
prinsip
untuk
fuzzy
rekonfigurasi
fungsi
objektif
konvensional
min-max
dalam logika fuzzy.
20
Berdasarkan
optimisasi
invensi
swarm
25
rekonfigurasi
ini
optimisasi
perkembangan
dipilih
fungsi
metode-metode
jaringan
aplikasi
keanggotaan
optimization
dalam
dalam
distribusi,
logika
fuzzy
rangka
maka
fuzzy,
menggunakan
merekonfigurasi
dalam
dengan
particle
jaringan
distribusi. Formulasi masalah rekonfigurasi jaringan dalam
hal ini berupa fungsi multi objektif dengan pokok persoalan
constraint
operasional
dan
elektrik.
Formulasi
masalah
dalam rencana penelitian ini terdiri dari: minimisasi rugirugi daya sistem distribusi, minimisasi deviasi tegangan
30
simpul jaringan distribusi, penyeimbangan beban tiap-tiap
penyulang distribusi, minimisasi operasi tie switch, dan
minimisasi
jaringan
indeks
arus
distribusi
cabang.
yang
Sementara
bersifat
radial
itu
struktur
harus
tetap
6
dipertahankan
pasca-rekonfigurasi
guna
menjamin
bahwa
seluruh beban tetap terlayani.
5
Uraian Lengkap Metode
Fungsi Multi-Objektif
Rekonfigurasi jaringan distribusi berbasis metode yang
diusulkan
10
menggunakan
meningkatkan
lima
unjukkerja
fungsi
sistem
objektif
distribusi
dalam
daya
rangka
listrik,
yaitu:
1. Fungsi untuk minimisasi rugi-rugi daya nyata.
2. Fungsi untuk minimisasi deviasi tegangan bus.
3. Fungsi untuk penyeimbangan beban penyulang.
4. Fungsi untuk minimisasi jumlah operasi switching.
15
5. Fungsi untuk minimisasi indeks arus cabang.
1. Fungsi Objektif untuk Minimisasi Rugi-rugi Daya Nyata
Fungsi
20
rekonfigurasi
objektif
pertama
jaringan
distribusi
yang
dipilih
adalah
fungsi
untuk
objektif
minimisasi rugi-rugi daya nyata, karena tujuan utama dalam
rekonfigurasi
25
daya
nyata
daya
nyata
jaringan
pada
adalah
sistem
total
dapat
untuk
menurunkan
rugi-rugi
distribusi.
Minimisasi
rugi-rugi
menggunakan
persamaan
dihitung
sebagai berikut:
N br
f 1 ( X )   Ri  | I i | 2 ,
X = [Tie1, Tie2, …, TieNtie, Sw1, Sw2, …,
i 1
SwNtie]
30
(1)
dengan
Ri
adalah
cabang
ke-i,
Nbr
resistans
adalah
cabang
jumlah
ke-i,
cabang,
Ii
X
adalah
adalah
arus
vektor
variabel kontrol, Tiei adalah keadaan tie switch ke-i (0
menunjukkan
tertutup),
keadaan
Swi
terbuka
adalah
jumlah
dan
1
menunjukkan
sectionalizing
keadaan
switch
yang
7
membentuk satu loop dengan Tiei, dan Ntie adalah jumlah tie
switch.
2. Fungsi Objektif untuk Minimisasi Deviasi Tegangan Bus
Deviasi tegangan bus yang kecil menunjukkan kualitas
5
layanan
daya
listrik
yang
baik.
Fungsi
objektif
untuk
minimisasi deviasi tegangan bus adalah:
f2(X) = maxi|Vi – Vrate|,
i = 1, 2, 3, …, Nbus.
(2)
dengan Nbus adalah total jumlah bus, Vi adalah tegangan
10
aktual bus ke-i, dan Vrate adalah tegangan nominal bus kei.
3. Fungsi Objektif untuk Penyeimbangan Beban Penyulang
Penyeimbangan
15
dalam
beban
rekonfigurasi
adalah
jaringan
salah
satu
distribusi.
tujuan
utama
Strategi
yang
efektif untuk menaikkan margin pembebanan dari penyulang
yang mempunyai beban sangat besar adalah dengan mentransfer
sebagian bebannya ke penyualng yang mempunyai beban yang
lebih
20
kecil.
Penyeimbangan
beban
masing-masing
penyulang
dapat dimodelkan sebagai berikut:
f3(X) = – mini|Ii,rate – Ii|,
i = 1, 2, 3, …, Nbr.
(3)
dengan Ii adalah pembebanan aktual cabang ke-i, dan Ii,rate
adalah arus nominal cabang ke-i.
25
4.
Fungsi
Objektif
untuk
Minimisasi
Jumlah
Operasi
Switching
Minimisasi jumlah operasi switching dapat dimodelkan
sebagai berikut:
Ns
f 4 ( X )   | S i  S 0i | ,
(4)
i 1
30
dengan Si adalah keadaan switch i yang baru, S0i adalah
keadaan switch i awal, dan Ns adalah jumlah switch.
8
5. Fungsi Objektif untuk Minimisasi Indeks Arus Cabang
Tujuan
utama
untuk
fungsi
ini
adalah
untuk
meminimalkan pelanggaran batasan-batasan arus cabang yang
dikehendaki.
Indeks arus cabang dapat dimodelkan sebagai berikut:
5
f5 ( X ) 
| I i ,m |
I c ,m
,
untuk i = 1, 2, 3, …, Nk, dan m = 1, 2, 3, …,
Nbr.
(5)
dengan Ii,m adalah arus pada cabang m pada saat cabang ke-i
dalam
10
loop-nya
terbuka,
Ic,m
adalah
kapasitas
arus
pada
cabang m, Nk adalah jumlah cabang dalam loop pada saat tie
switch ditutup, dan Nbr adalah jumlah cabang.
6. Formulasi Rekonfigurasi Jaringan Distribusi
Formulasi
15
rekonfigurasi
jaringan
distribusi
multiobjektif yang meliputi fungsi-fungsi objektif sesuai
persamaan (1) sampai dengan persamaan (5) dapat dituliskan
sebagai berikut:
max J ( X ) || f ( X )  f 0 || 2

 f1 ( X )  f o1 2   f 2 ( X )  f o 2 2   f 3 ( X )  f o3 2   f 4 ( X )  f o 4 2   f 5 ( X )  f o5 2
 f1 ( X ) 
 f 01 
 f ( X )
f 
 2

 02 
f ( X )   f 3 ( X ) , f 0   f 03 


 
 f 4 ( X )
 f 04 
 f 5 ( X ) 
 f 05 
20
dengan
f01
rekonfigurasi,
rekonfigurasi,
simpangan
operasi
25
adalah
adalah
f02
indeks
rugi-rugi
arus
sebelum rekonfigurasi.
nyata
tegangan
penyeimbangan
sebelum
dengan
daya
deviasi
adalah
tertinggi
switching
(7)
adalah
f03
(6)
rekonfigurasi,
simpangan
cabang
dengan
sebelum
bus
sebelum
beban
dengan
f04
adalah
tertinggi,
simpangan
dan
f05
tertinggi
9
Metode Particle Swarm Optimization
Particle
algoritma
5
Swarm
optimisasi
Optimization
(PSO)
yang
berdasarkan
bekerja
adalah
sebuah
pencarian
berbasis populasi dengan menyimulasikan perilaku sekawanan
burung
(Kennedy
individual
dan
Ebenhart,
dilakukan
dengan
1995).
Pembaruan
menerapkan
populasi
beberapa
macam
operator menurut informasi yang diperoleh dari lingkungan,
sehingga masing-masing individu diharapkan berpindah secara
10
bersama-sama
menuju
daerah
yang
lebih
baik.
Dalam
PSO,
setiap individu terbang di angkasa dengan kecepatan yang
dinamis
sesuai
dengan
pengalaman
terbang
individu
dan
pengalaman terbang kelompok, setiap individu merupakan satu
titik di angkasa berdimensi-n.
Dalam suatu ruang pencarian berdimensi-n, dimisalkan
15
posisi individual ke-i adalah Xi = (xi1, ..., xid, ...,
xin) dan kecepatan individual ke-i adalah Vi = (vi1, ...,
vid, ..., vin). Pengalaman terbaik partikel ke-i direkam
dan
20
direpresentasikan
pbestid,
...,
dengan
pbestin).
Posisi
Pbesti
=
global
(pbesti1,
terbaik
...,
pencarian
swarm adalah Gbesti = (gbest1, ..., gbestd, ..., gbestn).
Kecepatan
termodifikasi
setiap
berdasarkan
kecepatan
personal,
terbaik
25
personal
awal
(lokal),
dan
jarak
partikel
jarak
dari
dihitung
dari
posisi
posisi
terbaik
global seperti ditunjukkan pada persamaan berikut:
Vi (t 1)    Vi (t )  c1  rand1 ()  ( Pbesti  X i(t ) )  c 2  rand 2 ()  (Gbesti  X i(t ) )
(8)
10
X i( t 1)
Vi (t )
Vi ( t 1)
Vi Gbest
Vi Pbest
X i(t )
Gambar 2. Konsep dasar optimisasi menggunakan PSO.
5
Persamaan
(8)
menentukan
arah
partikel
ke-i.
Oleh
karenanya, posisi terbaru partikel dapat ditentukan dengan
menggunakan persamaan:
X i(t 1)  X i(t )  Vi (t 1)
(9)
dengan i = 1, 2, ..., N adalah indeks setiap partikel, t
10
adalah jumlah iterasi, rand1() dan rand2() adalah bilangan
acak antara 0 dan 1, dan N adalah jumlah swarm.
Bobot inersia ω ditentukan berdasarkan persamaan:
 (t 1)   max 
Dalam
15
t max
persamaan
t
(10)
(10),
tmax
adalah
jumlah
maksimum
iterasi dan t adalah jumlah iterasi aktual. ωmax adalah
bobot
inersia
minimum.
Gambar
optimizer.
20
 max   min
maksimum,
2
dan
menunjukkan
ωmin
ide
adalah
dasar
bobot
inersia
particle
swarm
11
Klaim
5
10
15
20
25
1. Suatu metode optimisasi konfigurasi jaringan distribusi
daya listrik terdiri dari:
- lima fungsi objektif yang dioptimisasi secara simultan
yaitu fungsi untuk minimisasi rugi-rugi daya nyata,
fungsi untuk minimisasi deviasi tegangan bus, fungsi
untuk
penyeimbangan
beban
penyulang,
fungsi
untuk
minimisasi jumlah operasi switching, dan fungsi untuk
minimisasi indeks arus cabang;
- bobot inersia untuk optimisasi konfigurasi jaringan
distribusi yang dikembangkan dalam metode particle swarm
optimization (PSO);
- fungsi keanggotaan fuzzy dengan aturan tertentu yang
digunakan untuk mendapatkan bobot inersia pada PSO yang
lebih akurat untuk optimisasi.
2. Suatu metode optimisasi konfigurasi jaringan distribusi
daya listrik yang sesuai dengan klaim 1, dimana metode
tersebut dapat diterapkan dalam berbagai perangkat lunak
dan bahasa pemrograman.
3. Suatu metode optimisasi konfigurasi jaringan distribusi
daya listrik yang sesuai dengan klaim 1 sampai 2, dimana
metode tersebut dapat diterapkan dalam perangkat keras
berbasis komputer dengan prosesor dan memori yang cukup.
30
35
4. Suatu metode optimisasi konfigurasi jaringan distribusi
daya listrik yang sesuai dengan klaim 1 sampai 3, dimana
metode
tersebut
dapat
diaplikasikan
pada
sistem
pengendalian sistem distribusi yang dimiliki operator
jaringan distribusi suatu perusahaan listrik.
5. Suatu metode optimisasi konfigurasi jaringan distribusi
daya listrik yang sesuai dengan klaim 1 sampai 4, dimana
metode tersebut merupakan kombinasi atau hibrid dari dua
12
metode cerdas yaitu metode berbasis logika fuzzy adaptif
dan metode particle swarm optimization.
5
10
6. Suatu metode optimisasi konfigurasi jaringan distribusi
daya listrik yang sesuai dengan klaim 1 sampai 5, dimana
metode tersebut dapat dapat berfungsi meningkatkan
efisiensi jaringan distribusi daya listrik.
13
Abstrak
METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI
MENGGUNAKAN LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION
5
Suatu
metode
optimisasi
konfigurasi
jaringan
distribusi daya listrik berbasis logika fuzzy dan particle
10
15
20
25
30
35
swarm optimization (PSO). PSO adalah sebuah algoritma
optimisasi yang bekerja berdasarkan pencarian berbasis
populasi dengan menyimulasikan perilaku sekawanan burung.
Pembaruan populasi individual dilakukan dengan menerapkan
beberapa macam operator menurut informasi yang diperoleh
dari lingkungan, sehingga masing-masing individu diharapkan
berpindah secara bersama-sama menuju daerah yang lebih
baik. Dalam PSO, setiap individu terbang di angkasa dengan
kecepatan yang dinamis sesuai dengan pengalaman terbang
individu dan pengalaman terbang kelompok, setiap individu
merupakan satu titik di angkasa berdimensi-n. Dalam metode
ini, bobot inersia dan faktor pembelajaran dievaluasi
menggunakan suatu sistem fuzzy. Dalam sistem fuzzy,
kecocokan terbaik (BF) dan jumlah generasi kecocokan takubah terbaik (NU) digunakan sebagai variabel masukan,
sedangkan bobot inersia (ω) dan faktor pembelajaran (c1 dan
c2) digunakan sebagai variabel keluaran.