Optimisasi Pengaturan Daya Reaktif dan Tegangan pada ...digilib.its.ac.id/public/ITS-Undergraduate-16093-Presentation-pdf.pdfOptimisasi Pengaturan Daya Reaktif dan Tegangan pada Sistem

Jurusan Teknik Elektro-ITSPage 1

Nama : Refi Aulia Krisida

NRP : 2207 100 002

Optimisasi Pengaturan Daya Reaktif dan Tegangan pada

Sistem Interkoneksi Jawa-Bali 500 kV Menggunakan

Quantum behaved Particle Swarm Optimization

Dosen Pembimbing :

1. Prof. Dr. Ir. Adi Soeprijanto, MT.

2. Heri Suryoatmojo, ST, MT, Ph.D.

Presentasi Seminar Tugas Akhir (Semester Genap 2010-2011)

Bidang Studi Teknik Sistem Tenaga Jurusan Teknik Elektro FTI - ITS

Jurusan Teknik Elektro-ITS

PENDAHULUAN

Page 2


Latar Belakang Masalah

kebutuhan akan energi listrik

↓

kualitas supply daya listrik

↓

menjaga profil tegangan & menurunkan rugi-rugi sistem.

↓

pengaturan daya reaktif dan tegangan

↓

sistem semakin luas dan kompleks

↓

banyak solusi optimum

↓

pengembangan teknik optimisasi


Tujuan Penelitian

• Melakukan studi mengenai pengaturan daya reaktif dan tegangan untuk

mengatasi permasalahan sistem tenaga listrik di Indonesia.

• Memperoleh nilai optimum untuk pengaturan daya reaktif dan tegangan

dengan menggunakan metode Quantum behaved Particle Swarm

Optimization (QPSO).


Permasalahan

• Bagaimana membuat listing program algoritma QPSO ke dalam M-file

software MATLAB 7.1.

• Bagaimana cara memperoleh nilai optimum dari pengaturan daya reaktif

dan tegangan pada sistem interkoneksi Jawa-Bali 500 kV.

• Bagaimana hasil perbandingan optimisasi antara metode QPSO dengan

metode PSO standar.


Batasan Masalah

• Analisa sistem tenaga yang dilakukan adalah studi aliran daya.

• Metode optimisasi yang digunakan adalah PSO dan QPSO.

• Simulasi menggunakan software MATLAB 7.1.


TEORI PENUNJANG

Page 7


A : Studi Aliran Daya

• Mendapatkan informasi mengenai aliran daya dan tegangan sistem dalam

kondisi operasi tunak.

• Mengevaluasi unjuk kerja sistem tenaga listrik dan menganalisis kondisi

pembangkitan maupun pembebanan.

• Memerlukan representasi atau pemodelan komponen sistem tenaga listrik.

• Salah satu metode yang cukup baik untuk digunakan dalam studi aliran daya

adalah metode Newton Raphson .


B : Pengaturan Daya Reaktif dan Tegangan (1)

Tujuan :

• Meningkatkan profil tegangan

• Menurunkan rugi daya aktif sistem.

• Menentukan kompensasi daya reaktif yang optimal untuk berbagai kondisi

operasi.


B : Pengaturan Daya Reaktif dan Tegangan (2)

Solusi yang dapat dilakukan :

• Penambahan eksitasi generator

• Pengubahan tap transformator

• Penggunaan shunt capacitor

• Peralatan Flexible AC Transmission System (FACTS)

• Static VAR Compensator

• Switching saluran transmisi


C : Model Optimisasi

Fungsi Objektif :Variabel Kontrol :

Page 11

Variabel Keadaan :


Persamaan untuk update velocity dan posisi partikel

Page 12

D : Particle Swarm Optimization


Persamaan untuk update posisi partikel

Page 13

E : Quantum behaved Particle Swarm Optimization (1)


SISTEM INTERKONEKSI JAWA-BALI 500 KV

Page 14


Single Line Diagram

Page 15


Data Beban dan Pembangkitan

Data beban yang digunakan adalah beban pada

tanggal 19 April 2011 saat beban puncak pada

siang hari pukul 13.30 WIB dengan jumlah

total beban adalah 10.361 MW dan 3.565

MVAR

Page 16

No

Bus

Nama

Bus

Jenis

Bus

Pembangkitan

(MW)

Pembebanan

P

(MW)

Q

(MVAR)

1 Suralaya Swing 3.211,6 219 67

2 Cilegon Beban - 333 179

3 Kembangan Beban - 202 39

4 Gandul Beban - 814 171

5 Cibinong Beban - 638 336

6 Cawang Beban - 720 217

7 Bekasi Beban - 1126 331

8 Muaratawar Generator 1.760,0 0 0

9 Cibatu Beban - 1152 345

10 Cirata Generator 948,0 597 201

11 Saguling Generator 698,4 0 0

12 Bandung Selatan Beban - 477 254

13 Mandiracan Beban - 293 65

14 Ungaran Beban - 193 118

15 Tanjung Jati Generator 1321,6 0 0

16 Surabaya Barat Beban - 508 265

17 Gresik Generator 900,0 127 92

18 Depok Beban - 342 95

19 Tasikmalaya Beban - 133 33

20 Pedan Beban - 365 101

21 Kediri Beban - 498 124

22 Paiton Generator 3180,0 448 55

23 Grati Generator 398,6 180 132

24 Balaraja Beban - 732 287

25 Ngimbang Beban - 264 58


Data Parameter Saluran

Page 17

No. SaluranR

(p.u.)

X

(p.u.)

½ B

(p.u.)

1 1 2 0.000626496 0.007008768 0

2 1 24 0.003677677 0.035333317 0

3 2 5 0.013133324 0.146925792 0.003530571

4 3 4 0.001513179 0.016928308 0

5 4 18 0.000694176 0.006669298 0

6 5 7 0.004441880 0.042675400 0

7 5 8 0.006211600 0.059678000 0

8 5 11 0.004111380 0.045995040 0.004420973

9 6 7 0.001973648 0.018961840 0

10 6 8 0.005625600 0.054048000 0

11 8 9 0.002822059 0.027112954 0

12 9 10 0.002739960 0.026324191 0

13 10 11 0.001474728 0.014168458 0

14 11 12 0.001957800 0.021902400 0

15 12 13 0.006990980 0.067165900 0.006429135

16 13 14 0.013478000 0.129490000 0.012394812

17 14 15 0.013533920 0.151407360 0.003638261

18 14 16 0.015798560 0.151784800 0.003632219

19 14 20 0.009036120 0.086814600 0

20 16 17 0.001394680 0.013399400 0

21 16 23 0.003986382 0.044596656 0

22 18 5 0.000818994 0.007868488 0

23 18 19 0.014056000 0.157248000 0.015114437

24 19 20 0.015311000 0.171288000 0.016463941

25 20 21 0.010291000 0.115128000 0.011065927

25 21 22 0.010291000 0.115128000 0.011065927

27 22 23 0.004435823 0.049624661 0.004769846

28 24 4 0.002979224 0.02862292 0

29 25 14 0.023479613 0.225580588 0.010097035

30 25 16 0.005966652 0.057324466 0


Penerapan QPSO untuk menala tegangan bus generator

Langkah-langkah :

1. Inisialisasi posisi

2. Evaluasi fungsi objektif

3. Menentukan nilai fitness terbaik

4. Menentukan Pbest (personal best position)

5. Evaluasi fungsi objektif

6. Update local best fitness dan Pbest (personal best position)

7. Update Mbest (mean best position)

8. Update global best fitness dan Gbest (global best position)

9. Update Beta

10. Update posisi

Start

Parameter QPSO

dan

Data Sistem

Perhitungan rugi daya aktif

saluran transmisi sistem

(Ploss)

Inisialisasi

current position tiap partikel

I = 0

Partikel Terbaik Lokal

Partikel Terbaik

Global (i) = Partikel

Terbaik Global (i-1)

Partikel Terbaik Global

(i) = Partikel Terbaik

Lokal (i)

min Ploss

partikel (i) < min Ploss

partikel (i-1)

i < i maks

i = i+1

Vgen = Gbest Position

Stop

Update Mbest & Beta

Update Position

Ya

Tidak

Ya

Tidak

Loadflow Hasil Akhir

Posisi Partikel :


SIMULASI DAN ANALISIS

Page 19


Hasil Loadflow Sebelum Optimisasi

Total pembangkitan :

10.635,611 MW dan 6.244,647 MVAR

Total rugi-rugi saluran transmisi :

274,611 MW dan 2.679,647 MVAR

Page 20

No

Bus

Kode

Bus

Magnitude

Tegangan Bus

(p.u)

Pembebanan Pembangkitan

MW MVAR MW MVAR

1 1 1,020 219 67 1.429,0 1.496,12

2 0 1,016 333 179 0 0

3 0 0,967 202 39 0 0

4 0 0,968 814 171 0 0

5 0 0,968 638 336 0 0

6 0 0,966 720 217 0 0

7 0 0,960 1.126 331 0 0

8 2 1,000 0 0 1.760,0 1.623,99

9 0 0,983 1.152 345 0 0

10 2 0,980 597 201 948,0 746,36

11 2 0,970 0 0 698,4 185,11

12 0 0,951 477 254 0 0

13 0 0,921 293 65 0 0

14 0 0,928 193 118 0 0

15 2 1,000 0 0 1.321,6 486,20

16 0 0,972 508 265 0 0

17 2 0,980 127 92 900,0 581,00

18 0 0,966 342 95 0 0

19 0 0,916 133 33 0 0

20 0 0,912 365 101 0 0

21 0 0,934 498 124 0 0

22 2 1,000 448 55 3.180,0 748,29

23 2 0,990 180 132 398,6 377,57

24 0 0,985 732 287 0 0

25 0 0,958 264 58 0 0

Total 10.361 3.565 10.635,6 6.244,65


Parameter PSO dan QPSO

Page 21

No Parameter Nilai1 Jumlah Partikel 50

2 Jumlah Iterasi 500

3 β Min (QPSO) 0,4

4 β Maks (QPSO) 1,0

5 Weight Min (PSO) 0,2

6 Weight Maks (PSO) 0,9

7 Acceleration 1 & 2 (c1 & c2) 2

8 Jumlah Variabel 7

9 Batas Atas Tegangan Bus Generator 1,05

10 Batas Bawah Tegangan Bus Generator 0,95


Hasil Penalaan Tegangan Bus Generator

Page 22

No.

BusPembangkit PSO QPSO

8 Muaratawar 1.0500 1.0465

10 Cirata 0.9500 1.0435

11 Saguling 1.0500 1.0500

15 Tanjung Jati 1.0500 1.0500

17 Gresik 1.0430 1.0432

22 Paiton 1.0500 1.0500

23 Grati 1.0500 1.0500


Hasil Loadflow Setelah Optimisasi dengan Menggunakan PSO


10.606,003 MW dan 5.918,715 MVAR


245,003 MW dan 2.353,715 MVAR

Page 23

No

Bus

Kode

Bus

Magnitude

Tegangan Bus

(p.u)

Pembangkitan

MW MVAR

1 1 1,020 1.399,4 1.168,535

2 0 1,017 0 0

3 0 0,981 0 0

4 0 0,982 0 0

5 0 0,984 0 0

6 0 0,979 0 0

7 0 0,974 0 0

8 2 1,010 1.760,0 1.290,393

9 0 0,999 0 0

10 2 1,000 948,0 233,505

11 2 1,000 698,4 1025,175

12 0 0,984 0 0

13 0 0,965 0 0

14 0 0,984 0 0

15 2 1,050 1.321,6 456,647

16 0 1,034 0 0

17 2 1,043 900,0 681,834

18 0 0,982 0 0

19 0 0,952 0 0

20 0 0,965 0 0

21 0 0,988 0 0

22 2 1,050 3.180,0 518,688

23 2 1,050 398,6 543,937

24 0 0,993 0 0

25 0 1,019 0 0

Total 10.606,0 5.918,715


Karakteristik Konvergensi PSO

Page 24


Hasil Loadflow Setelah Optimisasi dengan Menggunakan QPSO


10.602,269 MW dan 5.875,995 MVAR


241,269 MW dan 2.310,995 MVAR

Page 25

No

Bus

Kode

Bus

Magnitude

Tegangan Bus

(p.u)

Pembangkitan

MW MVAR

1 1 1,020 1.395,7 837,313

2 0 1,018 0 0

3 0 0,995 0 0

4 0 0,996 0 0

5 0 1,001 0 0

6 0 1,002 0 0

7 0 0,995 0 0

8 2 1,037 1.760,0 1.622,110

9 0 1,024 0 0

10 2 1,024 948,0 426,648

11 2 1,020 698,4 910,053

12 0 1,003 0 0

13 0 0,980 0 0

14 0 0,990 0 0

15 2 1,050 1.321,6 417,549

16 0 1,035 0 0

17 2 1,043 900,0 647,006

18 0 0,997 0 0

19 0 0,964 0 0

20 0 0,972 0 0

21 0 0,991 0 0

22 2 1,050 3.180,0 488,537

23 2 1,050 398,6 526,780

24 0 1,001 0 0

25 0 1,021 0 0

Total 10.602,3 5.875,995


Karakteristik Konvergensi QPSO

Page 26


Perbandingan Hasil Optimisasi antara metode PSO dan QPSO

Page 27

Hal yang dibandingkan PSO QPSO

Pembangkitan Daya Aktif (MW) 10.606,003 10.602,269

Pembangkitan Daya Reaktif (MVAR) 5.918,715 5.875,995

Rugi Daya Aktif Saluran (MW) 245,003 241,269

Rugi Daya Reaktif Saluran (MVAR) 2353,715 2.310,995

Nilai Fitness Terbaik (MW) 245,003 241,269

Penurunan Losses (MW) 29.608 33.342

Prosentase Penurunan Losses 10.78 % 12.14 %

Konvergensi Iterasi ke-56 Iterasi ke-228


Karakteristik Konvergensi PSO dan QPSO

Page 28


Profil Tegangan Bus

Page 29


KESIMPULAN DAN SARAN

Page 30


Kesimpulan

• Penerapan QPSO dapat mengurangi rugi daya aktif saluran transmisi hingga

12.14 %. Hasil ini lebih baik jika dibandingkan dengan penggunaan PSO

yang hanya dapat mengurangi hingga 10.78 %.

• Penerapan QPSO juga dapat memperbaiki profil tegangan sistem dengan

lebih baik dibandingkan metode PSO.

• 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.


Saran

• Selain tegangan bus generator, dapat ditambahkan injeksi daya reaktif dari

shunt capacitor dan rasio tap transformator sebagai variabel kontrol yang

ditala dengan menggunakan QPSO.

• Penalaan tegangan bus generator dapat diuji dengan metode optimisasi lain

seperti Genetic Algorithm, Differential Evolution, untuk melihat

perbandingan dengan metode QPSO yang digunakan.

Page 32


DAFTAR PUSTAKA

• 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

• Hadi Saadat, “Power System Analysis”, Mc.Graw Hill, Singapore, 2004

• Adi Soeprijanto, Diktat Kuliah Analisa Sistem Tenaga

• Stevenson Jr,W.D., “Analisa Sistem Tenaga", Jakarta:Erlangga. 1988

• R Wahyudi, Diktat Kuliah Penyaluran Tenaga Listrik

• Wood, Alen J, Wollenberg Bruce F., ”Power Generation, Operation and Control”, John Wiley & Sons Inc,

USA, 1996

• Miller, T.J.E., “Reactive Power Control in Electric Systems”, John Wiley & Sons Inc, Canada, 1982

• Zhu, Jizhong, “Optimization of Power System Operation”, John Wiley & Sons Inc, New Jersey, 2009

• Imam Robandi, “Desain Sistem Tenaga Modern : Optimisasi, Logika Fuzzy, Algoritma Genetika”, Penerbit

Andi, Yogyakarta, 2006

• James Kennedy, Russell Eberhart, “Particle Swarm Optimization”, IEEE, 1995

• 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

• 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

• Leandro dos Santos Coelho, “Gaussian quantum-behaved particle swarm optimization approaches for

constrained engineering design problems”, Expert Systems with Applications, vol.37, pp.1676–1683, 2010

• S.N. Omkar, Rahul Khandelwal, T.V.S. Ananth, G. Narayana Naik, S. Gopalakrishnan, “Quantum behaved

Particle Swarm Optimization (QPSO) for multi-objective”, Expert Systems with Applications, vol.36, pp.11312–

11322, 2009


SekianTerima Kasih


Diagram Alur PSO

Page 35

Perbedaan PSO dan QPSO

Diagram Alur QPSO


Persamaan untuk update posisi partikel (QPSO) :

Page 36

Perbedaan PSO dan QPSO

Persamaan untuk update posisi dan velocity partikel (PSO) :

PROGRAM\QPSO_JawaBali500kv_10Juni.m

Optimisasi Pengaturan Daya Reaktif dan Tegangan pada ...digilib.its.ac.id/public/ITS-Undergraduate-16093-Presentation-pdf.pdfOptimisasi Pengaturan Daya Reaktif dan Tegangan pada Sistem

Documents