optimisasi pengaturan daya reaktif dan tegangan pada sistem

OPTIMISASI PENGATURAN DAYA REAKTIF DAN TEGANGAN
PADA SISTEM INTERKONEKSI JAWA-BALI 500 KV MENGGUNAKAN
QUANTUM BEHAVED PARTICLE SWARM OPTIMIZATION
Refi Aulia Krisida, Adi Soeprijanto, Heri Suryoatmojo
Jurusan Teknik Elektro FTI - ITS
kontrol. Beberapa pengaturan secara kontinyu terus
bertambah sehingga terdapat banyak solusi optimum. Oleh
karena itu diperlukan pengembangan metode optimisasi
untuk menentukan solusi optimum secara keseluruhan dari
semua permasalahan mengenai optimisasi pengaturan daya
reaktif dan tegangan [1].
Abstrak : Pada Tugas Akhir ini Quantum
behaved Particle Swarm Optimization (QPSO) digunakan
untuk meminimisasi rugi daya sistem dan meningkatkan
profil tegangan pada sistem tenaga listrik. Efisiensi
distribusi daya reaktif pada sistem tenaga listrik dapat
dicapai dengan menyesuaikan eksitasi pada generator.
Hal ini merupakan permasalahan optimisasi non-linier
dimana kecerdasan swarm telah terbukti mampu untuk
mendapatkan solusi yang optimum. Dua algoritma
digunakan dalam Tugas Akhir ini yaitu algoritma
Quantum behaved Particle Swarm Optimization (QPSO)
dan Particle Swarm Optimization (PSO). Keefektifan
kedua algoritma ini dievaluasi berdasarkan kualitas
solusi dan karakteristik konvergensi. Hasil Simulasi pada
Sistem Interkoneksi Jawa-Bali 500 kV menunjukkan
bahwa solusi dari QPSO lebih efektif daripada PSO
dalam mengurangi rugi daya sistem yaitu sebesar 12,14%
dan dapat menjaga profil tegangan sistem dalam batas
yang diperbolehkan.
2.
TEORI PENUNJANG
2.1 Studi Aliran Daya
Studi aliran daya adalah studi yang dilaksanakan
untuk mendapatkan informasi mengenai aliran daya dan
tegangan sistem dalam kondisi operasi tunak. Informasi ini
sangat dibutuhkan guna mengevaluasi unjuk kerja sistem
tenaga listrik dan menganalisis kondisi pembangkitan
maupun pembebanan. Analisis aliran daya dalam sistem
tenaga listrik memerlukan representasi atau pemodelan
komponen sistem tenaga listrik. Salah satu metode yang
cukup baik untuk digunakan dalam studi aliran daya adalah
metode Newton Raphson [2,3].
Kata Kunci : Pengaturan Daya Reaktif dan Tegangan,
Particle Swarm Optimization (PSO), Quantum behaved 2.2 Pengaturan Daya Reaktif dan Tegangan
Pengaturan daya reaktif dan tegangan dilakukan
Particle Swarm Optimization (QPSO)
dengan mengatur produksi dan penyerapan daya reaktif pada
setiap bagian dari sistem tenaga listrik. Selain pengaturan
1. PENDAHULUAN
pada sisi pembangkit, yaitu dengan pengaturan eksitasi
Energi listrik merupakan suatu bentuk energi yang generator, pengaturan peralatan tegangan lain harus
memiliki peran sangat vital dalam aktivitas keseharian dilakukan untuk menjaga tegangan di keseluruhan sistem
manusia. Setiap tahun terjadi peningkatan kebutuhan energi tetap pada batas yang diperbolehkan. Peralatan tambahan
yang signifikan dan menuntut pihak penyedia tenaga listrik tersebut salah satunya adalah sumber atau beban daya reaktif,
untuk memberikan supply tenaga yang cukup dan berkualitas. seperti capasitor bank dengan power factor control. Selain
Sistem tenaga listrik skala besar sangat rentan terhadap itu dapat juga digunakan transformator pengatur, seperti
gangguan yang dapat mempengaruhi kondisi kestabilan transformator yang dilengkapi dengan pengaturan tap [2].
sistem. Kondisi yang sama juga terjadi pada sistem Pengaturan daya reaktif dan tegangan dilakukan dengan
interkoneksi Jawa-Bali 500 kV. Sistem ini merupakan menggunakan beberapa cara berikut:
backbone dari sistem tegangan menengah di pulau Jawa dan
 Static VAR Compensator
Bali. Oleh sebab itu secara tidak langsung sistem
 Shunt capacitor digunakan untuk memperbaiki drop
menanggung beban yang besar misalnya industri-industri
tegangan secara lokal dilokasi tertentu.
dengan mesin-mesin berdaya besar. Perubahan beban yang
 Peralatan Flexible AC Transmission System (FACTS)
terjadi pada sistem dapat menimbulkan osilasi dan dapat
 Pengaturan tap transformator, transformator daya
mengganggu kondisi stabil. Pengaturan daya reaktif dan
umumnya dilengkapi dengan tap pada lilitannya
tegangan sistem tenaga listrik diperlukan untuk menjaga
untuk mengubah besarnya tegangan yang keluar dari
parameter-parameter jaringan tetap berada pada batas yang
transformator. Perubahan tegangan dilakukan dengan
telah ditetapkan sebelumnya. Perubahan pada topologi
merubah posisi tap transformator.
jaringan dan kondisi beban sering kali menyebabkan
 Switching saluran transmisi.
perubahan tegangan di sistem tenaga listrik sekarang ini.
 Pengaturan eksitasi pada generator. Dengan mengatur
Penelusuran mengenai permasalahan daya reaktif harus
arus eksitasi, tegangan dapat diatur sesuai dengan
mempertimbangkan profil tegangan sistem dengan
kebutuhan. Untuk menaikkan tegangan, arus eksitasi
meminimumkan rugi-rugi pada sistem. Peralatan kontrol
dapat ditambah dan berlaku juga sebaliknya. Yang
mempunyai batas terendah dan tertinggi membuat pengaturan
dimaksud dengan eksitasi atau biasa disebut sistem
daya reaktif dan tegangan menjadi semakin kompleks untuk
penguatan adalah suatu perangkat yang memberikan
sistem tenaga yang luas, yang menggunakan beberapa alat
arus penguat kepada kumparan medan generator arus
1
bolak-balik (alternating current) yang dijalankan
dengan cara membangkitkan medan magnetnya
dengan bantuan arus searah.
Tujuan dari optimisasi pengaturan daya reaktif dan tegangan
adalah sebagai berikut [1,4,5]:
- Meningkatkan profil tegangan
- Mengurangi rugi daya aktif dari sistem.
- Menentukan kompensasi daya reaktif yang optimal
untuk berbagai kondisi operasi.
Untuk memperoleh tujuan-tujuan diatas, pilihan-pilihan
operator pengaturan sistem tenaga yang dapat digunakan
antara lain dengan penambahan eksitasi generator,
pengubahan tap transformator dan Shunt capacitor [1,2,5].
adalah probability density function posisinya. Kelemahan
yang terdapat pada PSO standar adalah cenderung mencapai
konvergensi pada local optima dan tidak dapat menjamin
global convergence [6]. Untuk mengatasi problem ini, dapat
digunakan Quantum behaved Particle Swarm Optimization
(QPSO) yang dapat menjamin global convergence. Dengan
menerapkan metode Monte Carlo, fungsi perubahan posisi
(position update) dari tiap partikel pada QPSO dituliskan
dalam Persamaan 7 dan 8 sebagai berikut [7,8]:
𝑋𝑖𝑑 (𝑡 + 1) = 𝑝𝑖𝑑 (𝑡) + 𝛽(𝑡) ∗ 𝑚𝑏𝑒𝑠𝑡𝑑 (𝑡) − 𝑋𝑖𝑑 𝑡
∗ ln
1
𝑗𝑖𝑘𝑎 𝑘 ≥ 0.5
𝑢
(7)
𝑋 (𝑡 + 1) = 𝑝 (𝑡) − 𝛽(𝑡) ∗ 𝑚𝑏𝑒𝑠𝑡 (𝑡) − 𝑋
𝑡
∗ ln
1
𝑗𝑖𝑘𝑎 𝑘 < 0.5
𝑖𝑑
𝑖𝑑
𝑑
𝑖𝑑
𝑢
2.3 Model Optimisasi
(8)
Terdapat beberapa model optimisasi untuk
pengaturan daya reaktif dan tegangan dengan fungsi objektif
yang berbeda-beda. Salah satu model optimisasi pengaturan 𝑝𝑖𝑑 (𝑡) = 𝜑𝑑 (𝑡) ∗ 𝑝𝑏𝑒𝑠𝑡𝑖𝑑 𝑡 + (1 − 𝜑𝑑 (𝑡)) ∗ 𝑔𝑏𝑒𝑠𝑡𝑑 (𝑡)
(9)
daya reaktif dan tegangan dengan fungsi objektif
mendapatkan nilai rugi daya aktif saluran transmisi yang
𝑐1 ∗𝑟 1𝑑 𝑡
𝜑𝑑 𝑡 =
(10)
minimum adalah sebagai berikut:
𝑐1 ∗ 𝑟 1𝑑 𝑡 +(𝑐2 ∗ 𝑟 2𝑑 (𝑡))
𝑚𝑖𝑛 𝑃𝐿𝑜𝑠𝑠 𝑄𝑆 , 𝑉𝐺 , 𝑇 =
𝑛𝑙
𝑗 =1 𝑃𝑗
𝑄𝐺𝑚𝑖𝑛 ≤ 𝑄𝐺 𝑄𝑆 , 𝑉𝐺 , 𝑇 ≤ 𝑄𝐺𝑚𝑎𝑥
𝑉𝐷𝑚𝑖𝑛 ≤ 𝑉𝐷 𝑄𝑆 , 𝑉𝐺 , 𝑇 ≤ 𝑉𝐷𝑚𝑎𝑥
𝑄𝑆𝑚𝑖𝑛 ≤ 𝑄𝑆 ≤ 𝑄𝑆𝑚𝑎𝑥
𝑉𝐺𝑚𝑖𝑛 ≤ 𝑉𝐺 ≤ 𝑉𝐺𝑚𝑎𝑥
𝑇𝑚𝑖𝑛 ≤ 𝑇 ≤ 𝑇𝑚𝑎𝑥
Dengan,
𝑃𝐿𝑜𝑠𝑠
𝑉𝐺
𝑉𝐷
𝑇
𝑄𝑆
𝑄𝐺
= Rugi daya aktif sistem
= Magnitude tegangan bus generator
= Magnitude tegangan bus beban
= Posisi tap pada transformator
= Injeksi daya reaktif dari kapasitor shunt
= Daya reaktif yang dibangkitkan generator
(1) 𝑚𝑏𝑒𝑠𝑡 (𝑡) =
𝑑
1
𝑁
𝑁
𝑖=1 𝑝𝑏𝑒𝑠𝑡𝑖𝑑
𝑡
(11)
(2) Dengan,
𝑡
(3)
𝑋𝑖𝑑 𝑡
(4)
𝑋𝑖𝑑 𝑡 + 1
(5)
𝑝𝑖𝑑 (𝑡)
(6)
𝑐1
𝑐2
𝑟1𝑑 𝑡
= Iterasi
= Posisi saat ini dari partikel i dalam dimensi
d pada iterasi t
= Posisi dari partikel i dalam dimensi d pada
iterasi t + 1
= local attractor dari partikel i dalam dimensi
d pada iterasi t
= Konstanta akselerasi 1(konstanta kognitif)
= Konstanta akselerasi 2 (konstanta sosial)
= Bilangan acak yang terdistribusi seragam
antara 0 hingga 1 pada iterasi t
𝑟2𝑑 𝑡
= Bilangan acak yang terdistribusi seragam
antara 0 hingga 1 pada iterasi t
𝑁
= Jumlah partikel
𝑝𝑏𝑒𝑠𝑡𝑖𝑑 𝑡 = Posisi terbaik lokal dari partikel i dalam
dimensi d pada iterasi t
𝑔𝑏𝑒𝑠𝑡𝑑 (𝑡) = Posisi terbaik global dalam dimensi d pada
iterasi t
𝑚𝑏𝑒𝑠𝑡𝑑 (𝑡) = Nilai rata-rata posisi terbaik lokal dalam
dimensi d pada iterasi t
Subscript min dan max pada persamaan model
optimisasi diatas menunjukkan batas atas dan bawah dari
konstrain yang tidak boleh dilewati. Dalam melakukan
optimisasi pengaturan daya reaktif dan tegangan dengan
fungsi objektif mencari nilai rugi daya aktif saluran transmisi
yang paling minimum, variabel kontrol yang dapat digunakan
dalam proses optimisasi antara lain adalah nilai magnitude
tegangan bus generator, rasio (posisi) tap pada transformator
dan injeksi daya reaktif dari kapasitor shunt. Sedangkan
variabel keadaannya adalah nilai magnitude tegangan bus
beban dan daya reaktif yang dibangkitkan oleh generator.
Seluruh nilai variabel kontrol dan variabel keadaan tersebut
harus berada pada batas minimum dan maksimum yang
ditentukan [1,5].
Parameter lain yang dikenal di dalam algoritma
QPSO adalah contraction–expansion coefficient. Parameter
ini digunakan untuk mengatur kecepatan konvergensi dari
partikel. Nilai awal beta yang lebih tinggi dapat
menghasilkan keragaman populasi yang lebih besar pada
awal optimisasi, sedangkan pada tahap berikutnya nilai beta
yang lebih rendah, membuat eksplorasi lebih terfokus dalam
mencari ruang. Nilai awal 𝛽𝑚𝑎𝑥 digunakan untuk
mengakomodasi pencarian awal yang lebih global dan secara
dinamis nilai tersebut berkurang hingga menjadi 𝛽𝑚𝑖𝑛 . Hal ini
3. REALISASI QPSO UNTUK PENGATURAN
bertujuan untuk mengakhiri algoritma QPSO dengan
DAYA REAKTIF DAN TEGANGAN
pencarian lokal yang lebih baik. Fungsi contraction–
expansion coefficient (beta) dituliskan dalam Persamaan 12
3. 1 Quantum behaved Particle Swarm Optimization
QPSO merupakan integrasi antara quantum sebagai berikut [9]:
computing dan PSO. Dalam QPSO, keadaan partikel
𝛽 𝑚𝑎𝑥 −𝛽 𝑚𝑖𝑛
∗ 𝑖𝑡𝑒𝑟(𝑡)
(12)
dikarakteristikan dengan fungsi gelombang wave function 𝛽 𝑡 = 𝛽𝑚𝑎𝑥 − 𝑖𝑡𝑒𝑟 𝑚𝑎𝑥
2
Ѱ(x,t), bukan dalam fungsi posisi dan kecepatan. |Ѱ(x,t)|
2
Dengan,
𝛽 𝑡
𝛽𝑚𝑎𝑥
𝛽𝑚𝑖𝑛
itermax
𝑖𝑡𝑒𝑟(𝑡)
Dalam Tugas Akhir ini metode optimisasi QPSO
diaplikasikan untuk menemukan nilai parameter tegangan bus
generator. Melalui metode optimisasi QPSO ini, nilai
parameter yang diperlukan diinisialisasi sebagai bagian dari
posisi partikel atau burung yang akan disebar pada ruang
permasalahan. Sehingga yang menjadi posisi awal dari
partikel adalah nilai parameter tegangan bus generator.
Variabel atau dimensi pada QPSO yang digunakan adalah 7
variabel yaitu 7 variabel yang mewakili parameter tegangan
pada 7 bus generator pada sistem interkoneksi Jawa-Bali 500
kV yaitu bus generator Cirata, Muara Tawar, Saguling,
Gresik, Tanjung Jati, Grati dan Paiton.
Output yang ingin dicapai melalui QPSO adalah
nilai minimum dari rugi daya aktif saluran transmisi sistem.
Proses awal yang ditempuh adalah inisialisasi partikel
berdasarkan pada jumlah variabel atau parameter yang
dioptimisasi dan jumlah partikel yang ingin disebar dalam
ruang permasalahan.
Selanjutnya nilai partikel akan diacak berdasarkan
pada batas yang telah ditetapkan untuk masing-masing
variabel. Selanjutnya proses diteruskan dengan melakukan
perhitungan terhadap nilai fitness dari masing-masing
partikel berbasis pada fungsi objektif yang telah ditetapkan.
Fungsi objektif yang digunakan adalah untuk
memperoleh rugi daya aktif saluran transmisi sistem.
Berdasarkan pada fungsi objektif inilah ditentukan apakah
rugi daya aktif saluran transmisi sistem telah minimum atau
belum. Proses selanjutnya adalah melakukan update nilai
personal best position, nilai mean best position, nilai global
best position, nilai beta dan nilai posisi untuk setiap proses
iterasi yang dilakukan. Pada setiap iterasi akan dilakukan
evaluasi terhadap nilai fungsi objektif. Dari hasil evaluasi,
posisi partikel yang terbaik akan terus dipertahankan hingga
proses iterasi berakhir. Proses yang membedakan antara PSO
dan QPSO adalah pada QPSO tidak terdapat update velocity
partikel. Selain itu, pada QPSO terdapat variabel
contraction–expansion coefficient (beta) dan local attractor
[7,8,9].
= contraction–expansion coefficient (beta)
= Nilai awal contraction–expansion coefficient
= Nilai awal contraction–expansion coefficient
= Iterasi maksimum
= Iterasi
QPSO cukup mudah untuk dimengerti dan
diimplementasikan dan QPSO juga telah diuji dalam berbagai
permasalahan standar mengenai optimisasi dengan hasil yang
sangat baik. Lebih lanjut lagi algoritma QPSO juga telah
terbukti lebih efektif daripada algoritma konvensional pada
kasus-kasus umum [9].
3.2 Penerapan QPSO dalam Simulasi
Diagram alur (Flowchart) dari penerapan QPSO
dalam simulasi ditampilkan pada Gambar 1 berikut.
Start
Parameter QPSO
dan
Data Sistem
I=0
Inisialisasi
current position tiap partikel
Perhitungan rugi daya aktif
saluran transmisi sistem
(Ploss)
Partikel Terbaik Lokal
min Ploss
partikel (i) < min Ploss
partikel (i-1)
Tidak
4. SIMULASI DAN ANALISIS
Ya
Partikel Terbaik Global
(i) = Partikel Terbaik
Lokal (i)
Update Mbest & Beta
Update Position
Partikel Terbaik
Global (i) = Partikel
Terbaik Global (i-1)
4.1 Data Sistem Interkoneksi Jawa-Bali 500 kV
Sistem Interkoneksi Jawa-Bali 500 kV terdiri dari 8
pembangkit, 30 saluran dan 25 bus. Untuk mengerjakan
Tugas Akhir ini, diperlukan data-data penomoran bus, data
beban dan pembangkitan, serta data parameter saluran. Data
beban yang digunakan adalah pada tanggal 19 April 2011
saat beban puncak pada siang hari pukul 13.30 WIB dengan
jumlah beban total yang terpasang adalah 10.361 MW dan
3.565 MVAR. Data tersebut ditunjukkan dalam Tabel 1.
Dalam Tugas Akhir ini digunakan MVA base sebesar 1000
MVA dan KV base sebesar 500 kV sebagai nilai base dari
sistem interkoneksi Jawa-Bali 500 kV.
i = i+1
Ya
i < i maks
Tidak
Tabel 1 Data Beban
Vgen = Gbest Position
No
Bus
Loadflow Hasil Akhir
1
2
3
4
5
6
Stop
Gambar 1 Diagram Alur Penerapan QPSO pada Penalaan
Tegangan Bus Generator
3
Nama Bus
Suralaya
Cilegon
Kembangan
Gandul
Cibinong
Cawang
Jenis
Bus
Swing
Beban
Beban
Beban
Beban
Beban
Pembebanan
P
Q
(MW) (MVAR)
219
67
333
179
202
39
814
171
638
336
720
217
Lanjutan Tabel 1
No
Bus
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Nama Bus
Jenis
Bus
Bekasi
Muara Tawar
Cibatu
Cirata
Saguling
Bandung Selatan
Mandiracan
Ungaran
Tanjung Jati
Surabaya Barat
Gresik
Depok
Tasikmalaya
Pedan
Kediri
Paiton
Grati
Balaraja
Ngimbang
Beban
Generator
Beban
Generator
Generator
Beban
Beban
Beban
Generator
Beban
Generator
Beban
Beban
Beban
Beban
Generator
Generator
Beban
Beban
4.3
Hasil Loadflow Setelah Optimisasi Dengan
Menggunakan PSO
Hasil aliran daya setelah dilakukan optimisasi
pengaturan daya reaktif dan tegangan dengan menggunakan
PSO standar diperlihatkan pada Tabel 3. Dari hasil loadflow
diperoleh rugi-rugi saluran transmisi (losses) sebesar 245,003
MW dan 2.353,715 MVAR dengan supply daya dari
pembangkit sebesar 10.606,003 MW dan 5.918,715 MVAR.
Pembebanan
P
Q
(MW) (MVAR)
1126
331
0
0
1152
345
597
201
0
0
477
254
293
65
193
118
0
0
508
265
127
92
342
95
133
33
365
101
498
124
448
55
180
132
732
287
264
58
Tabel 3 Hasil Loadflow Setelah Optimisasi dengan PSO
No
Bus
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
4.2 Hasil Loadflow Sebelum Optimisasi
Untuk mengetahui kondisi sebelum optimisasi
pengaturan daya reaktif dan tegangan dilakukan analisis
aliran daya (loadflow) menggunakan metode Newton
Raphson. Hasil aliran daya diperlihatkan pada Tabel 2. Dari
hasil loadflow diperoleh rugi-rugi saluran transmisi sebesar
274,611 MW dan 2.679,647 MVAR dengan supply daya dari
pembangkit sebesar 10.635,611 MW dan 6.244,647 MVAR.
Tabel 2 Hasil Loadflow Sebelum Optimisasi
No
Bus
Kode
Bus
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1
0
0
0
0
0
0
2
0
2
2
0
0
0
2
0
2
0
0
0
0
2
2
0
0
Magnitude
Tegangan
Bus (p.u)
1,020
1,016
0,967
0,968
0,968
0,966
0,960
1,000
0,983
0,980
0,970
0,951
0,921
0,928
1,000
0,972
0,980
0,966
0,916
0,912
0,934
1,000
0,990
0,985
0,958
Total
Pembebanan
MW
219
333
202
814
638
720
1126
0
1152
597
0
477
293
193
0
508
127
342
133
365
498
448
180
732
264
10361
MVAR
67
179
39
171
336
217
331
0
345
201
0
254
65
118
0
265
92
95
33
101
124
55
132
287
58
3565
Pembangkitan
MW
MVAR
1.429,0
0
0
0
0
0
0
1.760,0
0
948,0
698,4
0
0
0
1.321,6
0
900,0
0
0
0
0
3.180,0
398,6
0
0
10.635,6
1.496,12
0
0
0
0
0
0
1.623,99
0
746,36
185,11
0
0
0
486,20
0
581,00
0
0
0
0
748,29
377,57
0
0
6244,65
Kode
Bus
1
0
0
0
0
0
0
2
0
2
2
0
0
0
2
0
2
0
0
0
0
2
2
0
0
Magnitude
Tegangan Bus (p.u)
1,020
1,017
0,981
0,982
0,984
0,979
0,974
1,010
0,999
1,000
1,000
0,984
0,965
0,984
1,050
1,034
1,043
0,982
0,952
0,965
0,988
1,050
1,050
0,993
1,019
Total
Pembangkitan
MW
MVAR
1.399,4 1.168,535
0
0
0
0
0
0
0
0
0
0
0
0
1.760,0 1.290,393
0
0
948,0
233,505
698,4
1025,175
0
0
0
0
0
0
1.321,6
456,647
0
0
900,0
681,834
0
0
0
0
0
0
0
0
3.180,0
518,688
398,6
543,937
0
0
0
0
10.606,0 5.918,715
4.3.4
Hasil Loadflow Setelah Optimisasi Dengan
Menggunakan QPSO
Hasil aliran daya setelah dilakukan optimisasi
pengaturan daya reaktif dan tegangan dengan menggunakan
QPSO diperlihatkan pada Tabel 4. Dari hasil loadflow
diperoleh rugi-rugi saluran transmisi (losses) sebesar 241,269
MW dan 2.310,995 MVAR dengan supply daya dari
pembangkit sebesar 10.602,269 MW dan 5.875,995 MVAR
Tabel 4 Hasil Loadflow Setelah Optimisasi dengan QPSO
No
Bus
1
2
3
4
5
6
7
8
9
10
11
Keterangan untuk kode bus :
0. Load Bus (Bus Beban)
1. Slack Bus (Swing Bus)
2. Voltage Control Bus (Bus Generator)
4
Kode
Bus
1
0
0
0
0
0
0
2
0
2
2
Magnitude
Tegangan Bus (p.u)
1,020
1,018
0,995
0,996
1,001
1,002
0,995
1,037
1,024
1,024
1,020
Pembangkitan
MW
MVAR
1.395,7
837,313
0
0
0
0
0
0
0
0
0
0
0
0
1.760,0 1.622,110
0
0
948,0
426,648
698,4
910,053
Lanjutan Tabel 4
No
Bus
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Kode
Bus
0
0
0
2
0
2
0
0
0
0
2
2
0
0
Magnitude
Tegangan Bus (p.u)
1,003
0,980
0,990
1,050
1,035
1,043
0,997
0,964
0,972
0,991
1,050
1,050
1,001
1,021
Total
optimisasi. Dalam proses perhitungan aliran daya sistem
dalam keadaan steady state atau beban konstan dan
seimbang. Keberhasilan metode Quantum behaved Particle
Swarm Optimization (QPSO) dengan nilai parameter yang
ditunjukkan dalam Tabel 5 dalam menyelesaikan optimisasi
pengaturan daya reaktif dan tegangan pada sistem
interkoneksi Jawa-Bali 500 kV ditunjukan dalam Tabel 7.
Pembangkitan
MW
MVAR
0
0
0
0
0
0
1.321,6
417,549
0
0
900,0
647,006
0
0
0
0
0
0
0
0
3.180,0
488,537
398,6
526,780
0
0
0
0
10.602,3 5.875,995
Tabel 7 Perbandingan Hasil Optimisasi antara Metode PSO dan
QPSO
Hal yang dibandingkan
PSO
QPSO
Pembangkitan Daya Aktif (MW)
Pembangkitan Daya Reaktif (MVAR)
Rugi Daya Aktif Saluran (MW)
Rugi Daya Reaktif Saluran (MVAR)
Nilai Fitness Terbaik (MW)
Penurunan Losses (MW)
Prosentase Penurunan Losses
Konvergensi
10.606,003
5.918,715
245,003
2353,715
245,003
29.608
10.78 %
Iterasi ke-56
10.602,269
5.875,995
241,269
2.310,995
241,269
33.342
12.14 %
Iterasi ke-228
4.4 Pembahasan Hasil Simulasi
Hasil dari simulasi Tugas Akhir ini ditunjukkan
pada nilai tegangan bus generator yang ditala dengan metode
PSO dan QPSO. PSO dan QPSO digunakan untuk menala 7
nilai tegangan bus generator. Jumlah burung atau partikel
yang digunakan adalah 50 partikel dengan total iterasi pada
proses adalah 500 iterasi. Prinsip kerja dari PSO dan QPSO
adalah menala parameter tegangan dari 7 bus generator dalam
suatu batasan nilai sesuai standar yang telah ditetapkan yaitu
0,95 pu – 1,05 pu. Parameter untuk program PSO dan QPSO,
serta batasan nilai tegangan bus generator ditampilkan pada
Tabel 5. Hasil penalaan tegangan bus generator dengan PSO
dan QPSO ditampilkan pada Tabel 6.
Tabel 5 Parameter PSO dan QPSO
No
Parameter
1 Jumlah Partikel
2 Jumlah Iterasi
3 β Min (QPSO)
4 β Maks (QPSO)
5 Weight Min (PSO)
6 Weight Maks (PSO)
7 Acceleration 1 & 2 (c1 & c2)
8 Jumlah Variabel
9 Batas Atas Tegangan Bus Generator
10 Batas Bawah Tegangan Bus Generator
Nilai
50
500
0,4
1,0
0,2
0,9
2
7
1,05
0,95
Gambar 2 Karakteristik Konvergensi PSO dan QPSO
Kurva konvergensi PSO dan QPSO dalam penalaan
tegangan bus generator ditampilkan pada Gambar 2. Grafik
karakteristik konvergensi menunjukkan bahwa penalaan
melalui metode QPSO mampu menghasilkan nilai rugi daya
aktif saluran transmisi yang lebih rendah dibandingkan
dengan nilai rugi daya aktif saluran transmisi yang dihasilkan
melalui metode PSO. Hal ini menunjukkan bahwa terjadi
peningkatan prosentase penurunan rugi daya aktif saluran
transmisi sistem sehingga proses penyaluran daya listrik
menjadi lebih baik. Metode PSO konvergen pada iterasi ke56 sedangkan metode QPSO menemui titik konvergensi pada
iterasi ke-228. Walaupun PSO mempunyai konvergensi yang
lebih baik (lebih cepat konvergen) daripada QPSO, namun
nilai fitness terbaik yang ditemukan oleh QPSO jauh lebih
baik daripada nilai fitness terbaik (rugi daya aktif saluran
transmisi yang minimum) yang ditemukan oleh QPSO.
Hal ini menunjukkan bahwa solusi yang didapatkan
oleh PSO adalah local optima, sedangkan QPSO dapat
menemukan solusi yang lebih baik (global optima). Hal ini
menunjukkan bahwa performa algoritma QPSO dalam
optimisasi pengaturan daya reaktif dan tegangan lebih baik
daripada algoritma PSO.
Tabel 6 Hasil Penalaan Tegangan Bus Generator
No
Bus
8
10
11
15
17
22
23
Pembangkit
Muaratawar
Cirata
Saguling
Tanjung Jati
Gresik
Paiton
Grati
PSO
1.0500
0.9500
1.0500
1.0500
1.0430
1.0500
1.0500
QPSO
1.0465
1.0435
1.0500
1.0500
1.0432
1.0500
1.0500
Pada sistem interkoneksi Jawa-Bali 500 kV tidak
terpasang transformator dan shunt capacitor. Dalam
optimisasi ini reactor shunt tidak dilibatkan dalam optimisasi
karena reaktor difungsikan untuk menjaga tegangan.
Sehingga rasio tap transformator dan injeksi daya reaktif dari
shunt capacitor tidak dapat dijadikan variabel kontrol dalam
5
Sebelum dilakukan optimisasi, dari hasil loadflow
diperoleh daya dari pembangkit sebesar 10.635,611 MW dan
6.244,647 MVAR dengan rugi-rugi saluran transmisi sebesar
274,611 MW dan 2.679,647 MVAR. Setelah dilakukan
optimisasi menggunakan metoda QPSO dengan jumlah
partikel sebanyak 50 partikel, rugi daya aktif saluran
transmisi menurun menjadi 241,269 MW dan konvergen
pada iterasi ke-228 ditunjukkan pada Gambar 2. Begitu pula
daya aktif dan daya reaktif pembangkit turun dari 10.635,611
MW menjadi 10.602,269 MW dan dari 6.244,647 MVAR
menjadi 5.875,995 MVAR yang disebabkan oleh penurunan
rugi-rugi saluran transmisi. Dari Gambar 2 dapat dilihat
dengan jumlah partikel dan iterasi yang sama, metode QPSO
menghasilkan rugi daya aktif lebih minimum dibandingkan
dengan PSO standar yaitu sebesar 241,269 MW dan 245,003
MW. Bertambahnya aliran daya reaktif yang bersumber dari
generator menyebabkan tegangan bus mengalami kenaikan
seperti ditunjukkan pada Gambar 3 atau dengan kata lain
pengaturan daya reaktif dan tegangan dapat memperbaiki
profil tegangan bus dari sistem interkoneksi Jawa-Bali 500
kV.
[3] Adi Soeprijanto, Diktat Kuliah Analisa Sistem Tenaga
[4] Miller, T.J.E., “Reactive Power Control in Electric
Systems”, John Wiley & Sons Inc, Canada, 1982
[5] Zhu, Jizhong, “Optimization of Power System
Operation”, John Wiley & Sons Inc, New Jersey, 2009
[6] Maickel
Tuegeh,
Adi
Soeprijanto,
Mauridhi
H.Purnomo, “Modified Improved Particle Swarm
Optimization For Optimal Generator Scheduling”,
Seminar Nasional Aplikasi Teknologi Informasi 2009
(SNATI 2009), 2009
[7] Songfeng Lu, Chengfu Sun, Zhengding Lu, “An
improved
quantum-behaved
particle
swarm
optimization method for short-term combined economic
emission hydrothermal scheduling”, Energy Conversion
and Management, vol.51, pp.561–571, 2010
[8] Leandro dos Santos Coelho, “Gaussian quantumbehaved particle swarm optimization approaches for
constrained engineering design problems”, Expert
Systems with Applications, vol.37, pp.1676–1683, 2010
[9] S.N. Omkar, Rahul Khandelwal, T.V.S. Ananth, G.
Narayana Naik, S. Gopalakrishnan, “Quantum behaved
Particle Swarm Optimization (QPSO) for multiobjective”, Expert Systems with Applications, vol.36,
pp.11312–11322, 2009
RIWAYAT HIDUP PENULIS
Refi Aulia Krisida, dilahirkan di
Surabaya, pada tanggal 11 Juli 1989.
Penulis
menempuh
jenjang
pendidikan
di
TK
Kemala
Bhayangkari I Surabaya (1994-1996),
SD Kemala Bhayangkari I Surabaya
(1996-2002), SMPN 12 Surabaya
(2002-2005), SMAN 5 Surabaya
(2005-2007). Setelah lulus SMA,
penulis melanjutkan studinya di S1
Teknik Elektro, Bidang Studi Teknik
Sistem Tenaga, Institut Teknologi Sepuluh Nopember
Surabaya melalui jalur penerimaan SPMB. Selama kuliah,
penulis aktif dalam kegiatan organisasi di kampus dan
sebagai asisten Laboratorium Instrumentasi Pengukuran dan
Identifikasi Sistem Tenaga (LIPIST-B.204).
Gambar 3 Profil Tegangan Bus Sebelum dan Sesudah Optimisasi
Pengaturan Tegangan dan Daya Reaktif
5. KESIMPULAN
Dari hasil simulasi penerapan QPSO untuk
optimisasi pengaturan tegangan dan daya reaktif pada sistem
interkoneksi Jawa-Bali 500 kV dapat ditarik beberapa
kesimpulan sebagai berikut:
1. Penerapan metode QPSO berhasil mengurangi rugi
daya aktif saluran transmisi sistem hingga 12.14 %.
Hasil ini lebih baik jika dibandingkan dengan
penggunaan metode PSO yang hanya dapat
mengurangi sebesar 10.78 %.
2. Penerapan metode QPSO juga dapat memperbaiki
atau meningkatkan profil tegangan sistem dengan
lebih baik dibandingkan metode PSO.
3. Walaupun PSO lebih cepat konvergen namun hasil
yang dicapai merupakan local optima apabila
dibandingkan dengan kemampuan QPSO untuk
jumlah iterasi yang sama, hasil yang diperoleh lebih
baik dan merupakan global optima.
DAFTAR PUSTAKA
[1] L. Grant, G. K. Venayagamoorthy, G. Krost, G. A.
Bakare, “Swarm Intelligence and Evolutionary
Approaches for Reactive Power and Voltage Control”,
IEEE Swarm Intelligence Symposium, 2008
[2] Hadi Saadat, “Power System Analysis”, Mc.Graw Hill,
Singapore, 2004
6