perencanaan kapasitas dan lokasi optimum distributed

PERENCANAAN KAPASITAS DAN LOKASI OPTIMUM
DISTRIBUTED GENERATION (DG) MULTI TIPE UNTUK
PENINGKATAN KUALITAS DAYA JARINGAN TENAGA
LISTRIK BERBASIS METODE KECERDASAN BUATAN
Nama
NRP
Pembimbing
Ko-Pembimbing
: Yusran
: 2208301018
: Prof. Dr. Ir. Mochamad Ashari, M.Eng.
: Prof. Dr. Ir. Adi Soeprijanto, M.T.
ABSTRAK
Distributed generation (DG) dapat diklasifikasikan menjadi tiga tipe
berdasarkan jenis daya yang diinjeksikan dan diserapnya. DG tipe 1 adalah yang
mempunyai kemampuan menginjeksikan daya aktif saja. DG tipe 2 adalah yang
mampu menginjeksikan daya aktif dan juga daya reaktif. DG tipe 3 adalah yang
dapat menginjeksikan daya aktif dan menyerap daya reaktif.
Pembangunan DG yang dilakukan oleh pihak masyarakat/konsumen
diprediksi akan menjadi kecenderungan di masa depan. DG yang dibangun
tersebut akan terdiri atas berbagai tipe, kapasitas dan terhubung dengan jaringan
distribusi dalam skala luas dan acak.
Kapasitas dan lokasi DG pada suatu area berkaitan erat dengan terjadinya
permasalahan kualitas daya jaringan tenaga listrik. Di sisi lain, perbaikan kualitas
daya jaringan dapat dihasilkan melalui pembangunan DG dengan kapasitas dan
lokasi yang optimum. Perbaikan tersebut antara lain berupa reduksi rugi-rugi daya
aktif dan peningkatan profil tegangan jaringan. Operator jaringan distribusi
membutuhkan suatu sistem perencanaan yang dapat mengantisipasi pertumbuhan
pembangunan DG dengan tetap menjaga kualitas daya jaringan.
Penelitian terdahulu tentang perencanaan kapasitas dan lokasi optimum
DG umumnya masih menggunakan satu tipe DG saja. Metode kecerdasan buatan
yang banyak digunakan dalam penelitian-penelitian tersebut adalah simple genetic
algorithm (SGA) dan basic particle swarm optimization (BPSO). Adapun
penelitian tentang perencanaan, pengembangan dan optimisasi jaringan tenaga
listrik yang terhubung dengan lebih dari satu tipe DG (DG multi tipe) masih
jarang dilakukan oleh para peneliti terdahulu.
Penelitian ini membahas tentang perencanaan kapasitas dan lokasi
optimum DG multi tipe untuk peningkatan kualitas daya jaringan tenaga listrik
berbasis metode kecerdasan buatan. Optimisasi yang dilakukan bertujuan untuk
mendapatkan rugi-rugi daya aktif minimum dengan tegangan yang tetap
memenuhi nilai standar 0,9 pu – 1,1 pu. Jaringan tenaga listrik IEEE 30 bus
adalah plant yang digunakan dalam penelitian ini. DG yang digunakan
mempunyai kapasitas daya aktif maksimum sebesar 10 MW. Adapun kapasitas
daya reaktif maksimum DG sebesar 20 % dari kapasitas daya aktifnya. Selain
menggunakan metode SGA dan BPSO, metode kecerdasan buatan yang lebih baru
yaitu breeder genetic algorithm (BGA) dan particle swarm optimization-
v
gravitational search algorithm (PSO-GSA) juga digunakan dalam penelitian ini.
Optimisasi yang dilakukan terdiri atas empat skenario.
Skenario 1 yaitu optimisasi menggunakan DG tipe 1. Skenario 2 berupa
optimisasi menggunakan DG tipe 2, sedangkan skenario 3 menggunakan DG tipe
3. Optimisasi untuk skenario 1, 2 dan 3 menggunakan metode SGA, BPSO, BGA
dan PSO-GSA. Metode terbaik untuk ketiga skenario, selanjutnya digunakan
sebagai metode optimisasi skenario 4.
Skenario 4 berupa optimisasi menggunakan DG multi tipe yaitu DG tipe
1, 2 dan 3 yang terhubung secara simultan dengan jaringan tenaga listrik. Simulasi
dilakukan terhadap tiga jenis konfigurasi DG multi tipe. DG tipe 2 pada setiap
konfigurasi, masing-masing berjumlah 1, 2 dan 3 unit.
Untuk skenario 1, 2 dan 3, reduksi rugi-rugi daya aktif terbaik dengan
tegangan yang tetap terjaga dalam batas standar ditentukan, dihasilkan oleh
metode PSO-GSA menggunakan DG tipe 2 yang tersebar di tiga bus jaringan.
Nilai reduksi daya aktif tersebut sebesar 23,8073 %. Optimisasi menggunakan DG
tipe 1 dan 3 menghasilkan nilai reduksi yang hampir sama dengan DG tipe 2,
dengan perbedaan masing-masing sebesar 0,2409 % dan 0,4661 %.
Untuk skenario 4, hasil optimisasi terbaik dihasilkan oleh metode PSOGSA menggunakan konfigurasi DG multi tipe yang terdiri atas tiga unit DG tipe
2. Nilai reduksi daya aktif yang dihasilkan sebesar 34,2243 %. Optimisasi
menggunakan satu dan dua unit DG tipe 2 menghasilkan nilai reduksi yang
hampir sama, dengan perbedaan masing-masing sebesar 0,6647 % dan 0,1574 %.
Kata kunci: optimisasi, kapasitas dan lokasi, distributed generation (DG) multi
tipe, kualitas daya, jaringan tenaga listrik IEEE 30 bus, metode
kecerdasan buatan
vi