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.