Uploaded by aallanard

1705541063Andrew Allan ArdiansyahTugas4

advertisement
Nama : Andrew Allan Ardiansyah
NIM : 1705541063
MK : Smartgrid (B)
Tugas IV (Resume)
BAB V
ALAT KOMPUTASI UNTUK DESAIN SMART GRID
5.1 PENGENALANALAT KOMPUTASI
Bab ini menggaris bawahi pentingnya alat komputasi dengan membahas jawaban atas tiga
pertanyaan berikut:
1. Apakah alat memadai untuk pemodelan dan akuntansi untuk model yang memadai sistem karena
menggabungkan variabilitas dan keacakan RER?
2. Bisakah alat mengelola stokastik dan keacakan dalam sistem?
3. Dapatkah alat mengatasi prediksi dan sifat antisipatif masalah ditemui?
Alat optimisasi klasik yang saat ini digunakan tidak dapat menangani adaptasi dan stochasticity
dari fungsi smart grid. Dengan demikian, alat dan teknik komputasi diperlukan didefinisikan
sebagai platform untuk penilaian, koordinasi, kontrol, operasi, dan perencanaan smart grid di
bawah ketidakpastian yang berbeda. Kami mendefinisikan kompetitifskema yang dapat
menangani:
1. Model dunia nyata yang tidak memadai.
2. Kompleksitas dan ukuran besar masalah yang melarang penggunaan komputasi kecerdasan
komputasi.
3. Metode solusi yang digunakan oleh operator yang tidak mampu diungkapkan dalam suatu
algoritma atau bentuk matematika, biasanya melibatkan banyak aturan praktis, dan terbatas.
4. Pengambilan keputusan oleh operator didasarkan pada deskripsi linguistik fuzzy.
5.2 Alat pendukung keputusan (DS)
Alat pendukung keputusan menggabungkan teori permainan, sistem pendukung keputusan, dan
proses hierarkis analitis (AHP) digunakan untuk perhitungan multiobjectives dan penilaian risiko
dalam perencanaan dan operasi smart grid. Analisis keputusan (DA) adalah alat yang ampuh yang
membuat masalah ketidakpastian total tampak rasional sempurna keputusan yang didasarkan pada
nilai numerik untuk membandingkan dan menghasilkan hasil yang cepat. Itu melihat paradigma di
mana seorang pembuat keputusan individu atau kelompok merenungkan pilihan tindakan di
lingkungan yang tidak pasti. proses ini bergantung pada informasi tentang alternatif. Kualitas
informasi bervariasi dari data keras ke interpretasi subjektif, dari kepastian tentang keputusan hasil
(informasi deterministik) untuk hasil yang tidak pasti diwakili oleh probabilitas dan angka fuzzy.
Keragaman dalam jenis dan kualitas informasi tentang masalah keputusan memerlukan metode
dan teknik yang dapat membantu dalam memproses informasi DA mencakup banyak prosedur,
metode, dan alat untuk mengidentifikasi, mewakili dengan jelas, dan secara formal menilai aspekaspek penting dari situasi keputusan. Itu menghitung tindakan yang disarankan dengan
menerapkan utilitas yang diharapkan maksimum aksioma aksi terhadap representasi keputusan
yang terbentuk dengan baik, menerjemahkan formal representasi keputusan dan rekomendasi yang
sesuai ke dalam wawasan untuk pembuat keputusan.
5.3 TEKNIK OPTIMASI
Teknik optimasi terdiri dari teknik statis dan dinamis untuk optimasi, sepertisebagai pemrograman
linier, bilangan bulat campuran, pemrograman dinamis, dan sebagainya, untuk pengembangan
kegiatan optimasi dan perencanaan smart grid \ Pemrograman linier, pemrograman integer tak
linier (MIP), pemrograman dinamis (DP) dan Metode relaksasi Lagrangian digunakan untuk
masalah sistem tenaga dan operasi, tetapi mereka terbatas untuk digunakan di smart grid karena
jaringan statis dari program mereka. Di bawah ini adalah ringkasan highlights dari formulasi
implementasi dan proses masalah.
5.4
METODE OPTIMASI CLASSICAL
5.4.1 Program Linear
Pemrograman linier menggunakan model matematika untuk menggambarkan masalah dengan
linear objektif dan batasan linear. Struktur umum masalah diselesaikan dengan ini metode adalah:
Maksimalkan cT x
s.t. Kapak ≤ b
dan xi ≥ 0 ∀i ∈ {1, n}
Asumsikan bahwa model tersebut linear secara statis. Proses untuk mencapai global optimal
menggunakan teknik seperti Simplex, varian metode titik interior, atau integer pemrograman.
Metode ini berlaku untuk masalah yang melibatkan tujuan linier fungsi dan batasan linear.
Prosedur solusi meliputi:
1. Langkah Inisialisasi: Memperkenalkan variabel slack (jika perlu) dan menentukan awal
titik sebagai solusi titik sudut kendala kesetaraan.
2. Pada setiap iterasi, beralih dari solusi layak dasar saat ini ke yang lebih baik, solusi layak dasar
yang berdekatan.
3. Tentukan variabel dasar yang dimasukkan: Pilih variabel non-dasar itu, kapan meningkat, akan
meningkatkan tujuan pada tingkat tercepat. Tentukan kepergiannya variabel dasar: Pilih variabel
dasar yang mencapai nol pertama saat memasukkan variabel dasar meningkat.
4. Tentukan solusi layak dasar yang baru.
5. Tes Optimalitas dan Kriteria Pengakhiran: Periksa apakah tujuannya dapat ditingkatkan dengan
meningkatkan variabel non-dasar dengan menulis ulang fungsi obyektif dalam istilah dari variabel
nonbasic saja dan kemudian memeriksa tanda koefisien setiap variabel non-dasar. Jika semua
koefisien tidak positif, solusi ini adalah optimal; berhenti. Jika tidak, buka iteratif.
5.4.2 Pemrograman Nonlinear
Nonlinear programming (NLP) biasanya menggunakan teknik Lagrangian atau Newtonian
untuk masalah optimasi terbatas dan tidak terbatas. Pendekatan mengasumsikan itu semua fungsi
tujuan dimodelkan sebagai fungsi yang halus dan kontinu. Namun demikian tanggapan matematis
dari sistem tenaga dialihkan dari asumsi ini di banyak contoh.
Struktur umum masalah yang diselesaikan dengan metode ini adalah:
Maksimalkan f (y)
Tunduk pada
Ci ≤ fi (y) ≤ Di ∀i ∈ {1, n}
Prosedur yang digunakan dalam memecahkan kelas NLP masalah berasal dari mengidentifikasi
kelayakan kepuasan. Konvergensi disebabkan oleh kondisi kecukupan seperti yang diberikan
dalam pekerjaan ditentukan oleh kondisi KT yang diperpanjang. Metode sensitivitas, penghalang
metode, dan pemrograman kuadratik semua fitur di kelas ini. Secara singkat saya nyatakan, untuk
semua NLP:
1. Tentukan set layak awal berdasarkan investigasi ekstrema fungsi
dengan atau tanpa kendala.
2. Periksa kondisi optimalitas.
3. Menentukan kandidat solusi untuk optimal lokal atau global.
4. Lakukan optimasi lebih lanjut dan evaluasi nilai optimal untuk tujuan
fungsi yang memuaskan kendala.
5.4.3 Pemrograman Integer
Ini adalah kasus khusus LP di mana semua atau beberapa variabel keputusan dibatasiuntuk nilai
integer diskrit, misalnya, di mana nilai diskrit dibatasi hingga nol dan satu-satunya, yaitu
keputusan ya atau tidak, atau variabel keputusan biner. struktur masalah MIP adalah:
Fitur prosedur cabang - dan - terikat:
1. Inisialisasi: Set P * = −∞, di mana P * adalah nilai optimal dari P.
2. Percabangan: Langkah ini melibatkan pengembangan subproblem dengan memperbaiki biner
variabel pada 0 atau 1, atau memilih elemen pertama dalam urutan alami
variabel sebagai variabel percabangan.
3. Bounding: Untuk masing-masing subproblem, suatu batasan dapat diperoleh untuk menentukan
kebaikan solusi terbaik yang layak. Untuk setiap subproblem baru, dapatkan terikat dengan
menerapkan metode Simplex untuk relaksasi LP dan menggunakan nilai P untuk solusi optimal
yang dihasilkan.
4. Fathoming: Jika subproblem memiliki solusi yang layak, itu harus disimpan sebagaiincumbent
pertama (solusi layak terbaik yang ditemukan sejauh ini) untuk seluruh masalah bersama dengan
nilainya P. Nilai ini dilambangkan dengan P *, yang merupakan petahana saat ini
untuk P.
5. Tes Optimalitas: Prosedur berulang berhenti ketika tidak ada submasalah yang tersisa. Di
tahap ini, petahana saat ini untuk P adalah solusi optimal.
5.4.4 Pemrograman Dinamis
Pendekatan ini dikembangkan untuk memecahkan masalah keputusan berurutan, atau multistage.
Pada dasarnya, ini memecahkan masalah multivariabel dengan memecahkan serangkaian masalah
variabel tunggal.
Ini adalah teknik optimasi kandidat untuk menangani variabilitas waktu dan
kebisingan dalam masalah optimasi tujuan dan kendala.
Dua teknik umum yang diturunkan dari prinsip Bellman adalah
1 Rekursi mundur atau maju atau tabel terlihat
2 Kalkulus berdasarkan komposisi
5.4.5 Pemrograman stokastik dan Pemograman Peluang Terkendala
Pemrograman stokastik memecahkan masalah LP di mana asumsi ketidakpastiannya demikian
sangat dilanggar bahwa parameter yang sama harus diperlakukan secara eksplisit sebagai variabel
acak.
Dua cara untuk menangani LP dengan variabilitas adalah:
1. Pemrograman stokastik (SP)
2. Peluang - pemrograman terbatas (CCP)
SP membutuhkan semua kendala untuk bertahan dengan probabilitas sedangkan CCP
memungkinkan kecil probabilitas memvalidasi kendala fungsional.
5.5 OPTIMASI HEURISTIK
Pekerjaan di masa depan yang memperhitungkan sifat prediktif dan stokastik dari smart grid
melibatkan:
1. Memodelkan komponen untuk memperhitungkan prediksi dan stokastik
2. Memilih metode optimasi baru seperti pemrograman dinamis adaptif
(ADP)
Strategi pengoptimalan baru diusulkan:
1. Memodelkan fungsi tujuan baru untuk memperhitungkan pelanggan dan kekuatan kesejahteraan
ketidakpastian.
2. Model RER untuk memperhitungkan stokastik dan variabilitas.
3. Perbarui model dan simulasikan.
4. Definisikan kinerja komponen sistem baru dalam waktu.
5. Setelah ini, selesaikan alur beban probabilistik untuk studi kasus dasar dan termasuk kontingensi
baru yang ditetapkan untuk mendefinisikan pelanggaran.
6. Pilih teknik optimisasi yang tepat yang mungkin termasuk program heuristic teknik dan hybrid
atau ADP, metode yang mendefinisikan dampak prediksi dan stokastik sebagai optimal.
5.5.1 Artificial Neural Networks ( ANN)
Jaringan Saraf Tiruan didasarkan pada genetika alami otak. Teknik umum termasuk kembali dan
meneruskan teknik propagasi. JST memiliki kemampuan untuk mengklasifikasikan dan
mengenalipola dalam jumlah besar data melalui pelatihan dan penyempurnaan algoritma. Itu
elemen kunci dari paradigma ini adalah struktur novel dari pemrosesan informasi sistem, yang
terdiri dari sejumlah besar elemen pemrosesan yang saling terhubung (Neuron) bekerja bersama
untuk memecahkan masalah spesifik. JST belajar dengan contoh. Mereka dikonfigurasikan untuk
aplikasi spesifik, seperti pengenalan pola atau klasifikasi data, melalui proses pembelajaran.
keunggulan JST meliputi:
1. Pembelajaran adaptif: Kemampuan untuk belajar bagaimana melakukan tugas berdasarkan data
yang diberikanpelatihan atau pengalaman awal.
2. Self-organisation: Membuat organisasi sendiri atau representasi informasi diterima selama masa
belajar.
3. Operasi Real-Time: Komputasi dapat dilakukan secara paralel; khusus perangkat perangkat
keras sedang dirancang dan diproduksi untuk mengeksploitasi ini kemampuan.
4. Toleransi Kesalahan melalui Redundant Information Coding: Penghancuran sebagian jaringan
mengarah ke penurunan kinerja yang sesuai
5.5.2 Expert System (ES)
ES digunakan sebagai metode optimisasi yang bergantung pada keputusan heuristik atau
berdasarkan pembuat aturan. Mereka kadang-kadang digunakan untuk diagnosis kesalahan dengan
resep untuk perbaikan tindakan. Sementara sistem pakar / aplikasi komputer melakukan tugas yang
akan dilakukan jika tidak dilakukan oleh manusia, metode ini hanya dapat diandalkan seperti yang
dirancang aturan teknik - basis. Gambar dibawah menggambarkan komponen.
Fundamental Component
5.6 TEKNIK KOMPUTASI EVOLUSIONER
Berdasarkan genetika alami, EC menyelesaikan masalah optimisasi kombinatorial. Tekniknya
dalam kategori ini, termasuk partikel - kawanan, semut - koloni, algoritma genetika (GA), dan
kecerdasan artifisial, belajar atau beradaptasi dengan situasi baru, menggeneralisasi, abstrak,
menemukan, dan bergaul. Algoritma evolusioner menggunakan populasi individu. Seorang
individu disebut sebagai kromosom yang mendefinisikan karakteristik individu dalam populasi.
Karakteristik setiap individu disebut gen. Individu dengan kemampuan bertahan hidup terbaik
memiliki peluang terbaik untuk bereproduksi.
5.6.1 Algoritma Genetika (GA)
GA meniru evolusi biologis sedemikian rupa sehingga unsur-unsur dalam algoritma ini sama
dengan terminologi sistem genetic
Gambar Tipe GA cycle
Gambar diatas menunjukkan tipikal GA di mana keturunan dihasilkan dari orang tua yang dipilih,
dimodifikasi melalui crossover atau mutasi, dan dievaluasi untuk menemukan keturunan pertama.
Mereka ditempatkan dalam populasi untuk menjadi orang tua sementara anak yang tidak sehat
dibuang. Prosesnya bisa diulang sampai keturunan atau solusi yang cocok dibuat
5.6.2 Partikel Swarm Optimization (PSO)
(PSO) adalah teknik optimisasi stokastik berbasis populasi yang dikembangkan oleh Eberhart dan
Kennedy pada 1995. Ia menggunakan mekanisme sederhana yang meniru perilaku sosial burung
belajar dan melatih sekolah untuk memandu pencarian partikel untuk solusi optimal secara global.
Perilaku kolektif yang muncul adalah menemukan wilayah optimal ruang pencarian dimensi
tinggi. Populasi penelitian disebut populasi dan masing-masing individu disebut partikel.
Persamaan menunjukkan bahwa untuk setiap waktu, t, posisi partikel
xi diubah dengan menambahkan kecepatan, vi (t):
xi (t +1) = xi (t) + vi (t +1)
5.6.3 Optimasi Ant Colony
ACO adalah kelas yang diterapkan untuk masalah optimisasi kombinatorial. Yang penting sifat
algoritma ACO adalah kombinasi dari informasi apriori tentang struktur dari solusi yang
menjanjikan dengan informasi posteriori tentang struktur sebelumnya memperoleh solusi yang
baik . ACO menggunakan komputasi bersamaan dan asinkron agen disebut koloni semut yang
bergerak melalui keadaan masalah yang sesuai untuk solusi parsial. Pengukuran umumnya
melibatkan keputusan lokal stokastik kebijakan berdasarkan dua parameter, jalur dan daya Tarik.
5.7 TEKNIK PEMROGRAMAN DINAMIK ADAPTIF
ADP menggabungkan ketergantungan waktu dari data deterministik atau stokastik yang
diperlukan untuk masa depan. ADP juga disebut penguatan belajar, kritik adaptif, neural-dinamis
pemrograman, dan perkiraan pemrograman dinamis. ADP pertimbangkan optimasi dari waktu ke
waktu dengan menggunakan pendekatan pembelajaran untuk menangani masalah yang sangat
menantang metode konvensional karena skala yang sangat besar dan kurang pengetahuan
sebelumnya yang memadai. ADP mengatasi kutukan dimensi dalam DP. ADP adalah dirancang
untuk memaksimalkan nilai yang diharapkan dari jumlah utilitas masa depan di semua masa depan
periode waktu:
u (t): Vektor tindakan
U (t): Utilitas yang ingin dimaksimalkan sistem
X (t): Input sensor
r: Tingkat diskonto atau suku bunga (hanya diperlukan dalam masalah horizon waktu terbatas)
Struktur ADP System
5.8 Metode Pareto
Menurut definisi, solusi layak X * adalah Pareto optimal jika tidak ada yang lain ditingkatkantitik
layak X sedemikian rupa sehingga fk (X) fk (X *) dengan ketimpangan yang ketat untuk
setidaknya satu syarat.
Dua metode untuk memecahkan masalah tersebut adalah:
1. Strategi satu per satu: Pengoptimal multi-tujuan dapat diterapkan berulang kalidengan tujuan
setiap kali menemukan satu Pareto - solusi optimal. Ini adalah menghasilkan metode optimisasi
multiobjek yang statis ataudeterministik dan yang menggunakan skema skalarisasi iteratif
seperti standar prosedur, seperti pembobotan - jumlah, metode batasan - s, metode pertukaran,
atau metode min - maks Kekurangannya meliputi inefisiensi dan difiKultus dalam memelihara
keragaman di ruang obyektif. Solusi untuk setiap orang subproblem melibatkan bersaing
dengan wilayah yang tidak layak dan optimum local (yang mungkin ditampilkan dalam setiap
langkah solusi). Mengatasi kesulitan seperti itu membutuhkan algoritme pengoptimalan untuk
mempelajari cara menyelesaikan masalah secara mandiri setiap kali untuk titik awal yang
berbeda.
2. Strategi simultan: Pendekatan ini memanfaatkan EA karena populasi atau pendekatan berbasis
arsip untuk memfasilitasi pencarian paralel. Efisiensi ini Metode ini sangat ditingkatkan karena
berkurangnya kebutuhan untuk beberapa aplikasi
5.9. TEKNIK OPTIMASI HYBRIDIZING DAN APLIKASI UNTUK SMART GRID
Teknik-teknik canggih ini memiliki sejumlah karakteristik yang membuatnya layak untuk aplikasi
ke lingkungan smart grid, seperti menangani pemodelan nonlinear dinamika waktu yang bervariasi
dari sistem tenaga, dan dinamika penanganan dan stokastik. Teknik-teknik ini akan digunakan
untuk pengontrol FACTS, pembelajaran untuk sistem, set pelatihan untuk profil tegangan,
komitmen unit, penyesuaian kontrol yang terpisah, perencanaan sistem tenaga, dan komputasi
parallel.
5.10 TANTANGAN KOMPUTASI
Tantangan komputasi yang terkait dengan penggunaan alat canggih melibatkan mereka pemilihan
optimal berdasarkan aplikasi dan lokasi spesifik. Ketersediaan data adalah tantangan lain,
menegakkan kebutuhan untuk mengembangkan sensor dan teknologi komunikasi untuk
memfasilitasi perolehan data waktu nyata atau tepat waktu. Beberapa pertanyaan kunci yang harus
dijawab adalah:
• Perangkat lunak / perangkat keras: Apakah alat yang akan dikembangkan hanya perangkat lunak
atau perangkat keras tertentu diperlukan untuk integrasi dan implementasi?
• Integrasi: Bagaimana perangkat lunak / perangkat keras diintegrasikan ke dalam sistem?
Akankah itu mengganti alat yang ada atau diintegrasikan ke dalam paket / alat yang ada?
• Lokasi pemasangan: Di mana alat akan ditemukan dan digunakan; sebagai contoh, LAN atau
WAN? Apakah akan diperlukan di semua titik pembangkit atau titik muat, di tingkat gardu, atau
di tingkat pelanggan?
• Robustness: Bagaimana alat diimplementasikan untuk kemudahan aplikasi dan kekokohan?
• Sensitivitas: Berapa derajat sensitivitas yang diperlukan untuk fungsi yang memuaskan?
• Standar: Apakah standar yang ada telah diidentifikasi atau dikembangkan untuk pemanfaatan
alat di lingkungan yang serupa?
Dalam praktiknya, alat akan digunakan oleh insinyur dan operator yang tidak memiliki
pengetahuan dan pelatihan. Dengan demikian, alat-alat canggih harus mudah ditafsirkan, ramah
pengguna, dan .belajar mandiri.
5.11 RINGKASAN
Bab 5 telah merangkum teknik optimasi dan komputasi klasik metode saat ini sedang diterapkan
dalam desain, perencanaan, dan operasi smart grid dan warisan. Metode Pareto yang digunakan
dalam desain grid dijelaskan. Diskusi tentang komputasi tantangan menyoroti beberapa masalah
yang dihadapi oleh peneliti dan insinyur di Indonesia menentukan pendekatan mitigasi dan solusi
terbaik.
Download