OPTIMAL POWER FLOW MENGGUNAKAN PARTICLE SWARM

OPTIMIZATION DENGAN CONTRICTION FACTOR

Johny Custer
Politeknik Negeri Bengkalis, Desa Sungai Alam, Bengkalis 28761
E-mail :johny_custer@polbeng.ac.id
Abstrak
Pembangkit listrik menghasilkan daya listrik kemudian dialirkan melalui jaringan transmisi dan didistribusikan
ke beban. Untuk menjaga kontinyunitas pelayanan kepada konsumen, pembangkit pembangkit yang ada
terhubung interkoneksi. Dalam sistem interkoneksi, semua pembangkit perlu dikoordinir agar dicapai biaya
pembangkitan yang minimum. Optimal Power Flow (OPF) berdasarkan Contriction Factor Particle Swarm
Optimization (CFPSO) digunakan untuk menentukan kombinasi pembangkitan yang paling minimal. Fungsi
objektif yang digunakan dalam proses optimisasi adalah fungsi biaya setiap pembangkit. Metoda yang diusulkan
disimulasikan pada sistem standar IEEE 26 bus. Hasil simulasi menunjukan kombinasi optimisasi pembangkitan
dihasilkan mampu melakukan penghematan sebesar 0,0045 % biaya pembangkitan bila dibandingkan dengan
OPF tanpa CFPSO. Simulasi yang dilakukan menggunakan software Matlab 2008a.
Kata kunci : optimal power flow, particle swarm optimization, economic dispatch
I. PENDAHULUAN
Pada operasi sistem tenaga listrik, daya
listrik dihasilkan oleh pembangkit listrik
kemudian dialirkan melalui jaringan
transmisi dan didistribusikan ke beban.
Untuk menjaga kontinyunitas pelayanan
kepada konsumen, pembangkit pembangkit
yang ada terhubung interkoneksi. Dalam
sistem interkoneksi, semua pembangkit
perlu dikoordinir agar dicapai biaya
pembangkitan yang minimum namun tetap
memperhatikan mutu dan keandalan.
Pembangkitan dalam sistem interkoneksi
merupakan pembangkitan terpadu dari
semua pusat listrik yang ada dalam sistem
pembagian beban antara pusat pusat listrik
pada sistem interkoneksi yang
menghasilkan aliran daya dalam saluran
transmisi (Djiteng Marsudi, 2005).
Pengoperasian pembangkit merupakan
biaya terbesar dalam sistem tenaga listrik
sehingga sangat diperlukan cara
pengoperasian pembangkitan yang efisien.
Salah satu solusi bagi produsen listrik
untuk menekan biaya operasi adalah
dengan menentukan aliran daya yang
optimal (optimal power flow). Analisis
aliran daya optimal adalah perhitungan
untuk meminimalkan suatu fungsi tujuan,
misalnya fungsi biaya pembangkitan yang
disebut dengan economic dispatch. Untuk
memperoleh biaya pembangkitan yang
minimal dapat dilakukan dengan mengatur
pembangkitan daya aktif dan daya reaktif
setiap pembangkit pada nilai atau besar
beban sistem yang terinterkoneksi dengan
memperhatikan batas batas tertentu.
Umumnya batasan yang digunakan dalam
analisis aliran daya adalah batas minimum
dan maksimum daya aktif (P
min
dan P
max
).
Sebelumnya para peneliti telah melakukan
penelitian untuk mendapatkan nilai
ekonomis dalam operasi sistem tenaga
listrik baik secara konvensional maupun
menggunakan artificial intelligence (AI).
Masalah economic dispatch secara
konvensional dapat diselesaikan dengan
metoda pengali lagrange (Allen J Wood
dan Wollenberg Bruce F, 1996). Namun
metoda ini tidak efektif dan kurang optimal
untuk menyelesaikan permasalahan karena
pada perkembanganya fungsi biaya pada
pembangkitan listrik modren tidak linier
(C.H. Chen dan S. N. Yeh, 2006). Teknik
teknik untuk menyelesaikan masalah ED
dengan menggunakan algoritma artificial
intelligence (AI) dalam meningkatkan
penyelesaian yang lebih optimal juga
berkembang. Metoda AI yang sering
digunakan diantaranya Particle Swarm
Optimization (PSO). Algoritma PSO
diinspirasi dari perilaku sosial hewan,
seperti sekumpulan ikan, burung dalam
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
13
suatu populasi (Kennedy dan R. C.
Eberhart, 1995). Kemudian Clerc dan
Kennedy (2002) memperkenalkan PSO
dengan faktor penyempitan (contriction
factor) yang bertujuan untuk memastikan
konvergensi dari algoritma PSO. Shi Yao
Lim dkk (2009) mencoba menerapkan
faktor penyempitan (contriction factor
approach) untuk perhitungan economic
dispatch.
Pada makalah ini diusulkan analisis
pencarian biaya pembangkitan termurah
menggunakan Optimal Power Flow
berdasarkan Particle Swarm Optimization
menerapkan Contruction Factor (CFPSO).
Diharapkan dari hasil optimisasi
menentukan daya aktif pada masing
masing pembangkit menggunakan CFPSO
kemudian dijadikan input pada analisa
power flow akan diperoleh biaya
pembangkitan yang paling ekonomis. Data
yang digunakan pada simulasi adalah data
standar IEEE 26 Bus.
II. METODOLOGI PENELITIAN
Flowchart dari tahapan yang dilakukan
dalam penelitian ditunjukan pada gambar
1.
Gambar 1. Flowchart tahapan penelitian
2.1. Perhitungan Biaya Pembangkitan
Penyelesaian masalah operasi ekonomis
pembangkit dalam sistem tenaga listrik
adalah menentukan masing-masing unit
pembangkit untuk mensupalai kebutuhan
beban dengan biaya yang seminimal
mungkin dengan tetap memperhatikan
batas-batas daya yang dibangkitkan oleh
masing-masing pembangkit. Dalam
memodelkan fungsi biaya pembangkitan
diperlukan data berupa karakteristik heat
rate (H) yang dinyatakan dalam satuan
Btu/h serta biaya bahan bakar (cost) dalam
satuan Rp/MBtu. Maka fungsi biaya
pembangkitan dapat diperoleh melalui
persamaan (1).
cost H F = (1)
Setelah diperoleh besar biaya
pembangkitan pada beberapa titik nilai
daya aktif kemudian dilakukan proses
interpolasi pada titik-titik fungsi biaya
pembangkitan terhadap daya aktif sehingga
diperoleh persamaan eksponensial.
Persamaan yang diperoleh tersebut
merupakan persamaan karakteristik biaya
pembangkitan pada suatu pembangkit.
Secara matematis fungsi biaya dari
pembangkit dapat diformulasikan sebagai
suatu fungsi obyektif seperti yang
diberikan dalam persamaan (2) dan (3).
1
( )
n
T i i
i
F F P
=
=

(2)
2
( )
i i i i i i i
F P a b P c P = + +
(3)
dengan :
F
T
= total biaya pembangkitan (Rp)
F
i
(Pi) = fungsi biaya input-output dari
pembangkit i (Rp/jam).
a
i
, b
i
, c
i
= koefisien biaya dari
pembangkit i.
P
i
= output pembangkit i (MW)
n = jumlah unit pembangkit.
i
= indeks dari dispatchable
unit
Batasan batasan yang dipenuhi dalam
perhitungan adalah :
- equality constraint
Menentukan Parameter CFPSO
Menentukan Optimisasi Biaya Pembangkitan Menggunakan CFPSO
OPF CFPSO dengan Metoda Newton
Raphson
Selesai
Data Saluran
Data Pembebanan
Data Pembangkitan
Mulai
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
14
Pada kesetimbangan daya, equality
constraint harus dipenuhi yaitu total
daya yang dibangkitkan oleh masing
masing pembangkitan harus sama
dengan total kebutuhan beban pada
sistem. Equality constraint
kesetimbangan daya adalah :
P P P
L D
N
1 i
i
+ =

=
(4)
- inequality constraint
Output setiap unit pembangkit
mempunyai batas maksimum dan
minimum yang harus dipenuhi
(inequality constraint), yaitu :
P
i
min P
i
P
i
max (5)
2.2. Particle Swarm Optimization (PSO)
J. Kennedy dan R. C. Eberhart (1995)
memperkenalkan algoritma Particle
Swarm Optimization (PSO), proses
algoritmanya diinspirasi oleh perilaku
sosial dari hewan, seperti sekumpulan
serangga, ikan, burung dalam suatu swarm.
Perilaku sosial terdiri dari tindakan
individu (partikel) dan pengaruh tindakan
individu tersebut terhadap kelompoknya.
Setiap individu berprilaku secara
terdistribusi berdasarkan kecerdasanya
masing masing dan dipengaruhi oleh
perilaku kelompoknya. Menurut Budi
Santoso dan Paul Willy (2011) setiap
partikel diasumsikan memiliki dua
karakteristik, yaitu posisi dan kecepatan.
Setiap partikel bergerak dalam satu ruang
(space) tertentu dan mengingat posisi
terbaik yang pernah dilewati atau
ditemukan terhadap sumber makanan atau
nilai fungsi objektif. Setiap partikel akan
menginformasikan posisi terbaiknya
kepadanya partikel yang lain dan
menyesuaikan posisi dan kecepatannya
berdasarkan informasi yang diterima
mengenai posisi yang terbaik. Dalam suatu
bentuk dimensi ruang, posisi dan
kecepatan (velocity ) partikel digambarkan
dengan formulasi matematika sebagai
berikut :
X
i
= x
i1
, x
i2
, , x
iN
(6)
V
i
=v
i1
,v
i2
,,v
iN
(7)
dengan,
X = posisi partikel
V = kecepatan partikel
i = indeks partikel
N = ukuran dimensi ruang
Mekanisme update velocity pada individu i
dimodelkan dengan persamaan matematis
berikut :
= + +
(8)
1 1 k k k
i i i
X X V
+ +
= +
(9)
dengan,
V
i
k
= Velocity individu i pada
iterasi k
X
i
k
= posisi individu i pada iterasi k
c
1
, c
2
= koefisien akselerasi
r
1
, r
2
= jumlah random antara 0 dan 1
Pbest
i
k
= Pbest individu i sampai iterasi k
Gbest
k
= Gbest kelompok sampai iterasi k
P
best
mempresentasekan personal best dari
partikel ke i, sedangkan G
best
mempresentasikan global best dari seluruh
kawanan. c
1
dan c
2
adalah suatu konstanta
yang bernilai positif, r
1
dan r
2
adalah suatu
bilangan random yang bernilai antara 0
sampai 1. Persamaan (8) digunakan untuk
menghitung kecepatan partikel yang baru
berdasarkan kecepatan sebelumnya,
kemudian partikel berpindah menuju posisi
yang baru berdasarkan persamaan (9).
Persamaan modifikasi velocity pada setiap
particle dengan menggunakan constriction
factor (faktor penyempitan) dapat
dinyatakan dengan persamaan (10) berikut
(Shi Yao Lim dkk, 2009) :
= [ + +
] (10)
dengan coefisient constriction (K) adalah:
[7]
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
15
=
=
(11)
dengan
1 2
dan 4.0 c c = + >
2.3. Aliran Daya
Pada studi aliran daya bus dikelompokan
menjadi 3 (tiga) macam, yaitu:
1. Slack bus atau swing bus atau bus
piket
2. Voltage controlled bus atau bus
generator
3. Load bus atau bus beban
Setiap bus sistem terdapat empat parameter
atau besaran yaitu:
1. Daya aktif (real power) mempunyai
simbol P.
2. Daya reaktif (reactive power)
mempunyai simbol Q.
3. Besaran (magnitude) tegangan,
mempunyai simbul |V|.
4. Sudut fasa tegangan, mempunyai
simbol u.
Dari empat parameter tersebut di atas, pada
tiap tiap bus hanya 2 (dua) macam besaran
ditentukan sedangkan kedua besaran yang
lain merupakan hasil akhir dari
perhitungan. Besaran besaran yang
ditentukan adalah :
1. Slack bus; harga skalar |V| dan
sudut fasenya u
2. Generator bus; Daya aktif P dan
harga skalar |V|
3. Load bus; Daya aktif P dan daya
reaktif Q
Metoda Newton Raphson dianggap efektif
dan menguntungkan untuk perhitungan
aliran daya pada sistem jaringan yang
besar. Dengan metoda Newton Raphson
persamaan aliran daya dirumuskan dalam
bentuk polar. Arus yang memasuki bus i
dapat dihitung dengan menggunakan
persamaan persamaan (12) (Hadi Saadat,
2004) :
n
1 j
ij 1 j
V Y I

=
=
(12)
Apabila ditulis dalam bentuk polar,
persamaan (12) menjadi :
j ij
n
1 j
1
+ . =

=
j ij
V Y I
(13)
Untuk menentukan daya kompleks pada
bus i adalah :
i
*
i i i
I V jQ P =
(14)
I
i
pada persamaan (13) disubsitusikan
kedalam persamaan (14) akan
menghasilkan :
j ij j
n
j
ij i i i i
V Y V jQ P + . . =

=1
(15)
Bagian riil dan imajiner dipisahkan
sehingga persamaan (15) menjadi :
) cos(
1
j i ij ij j
n
j
i i
Y V V P + =

=
(16)
) sin(
1
j i ij ij j
n
j
i i
Y V V Q + =

=
(17)
Persamaan (16) dan (17) akan membentuk
persamaan aljabar non linier dengan
variabel sendiri. Dalam bentuk singkat
Matriks Jacobian dapat ditulis dengan
persamaan (18) berikut:

/
e /

/
/
V J J
J J
Q
P
4 3
2 1
(18)
Hadi Saadat (2004) mengatakan jumlah
elemen matrik jacobian ditentukan dengan
persamaan (2n-2-m) x (2n-2-m) dengan n
adalah jumlah bus pada sistem, m adalah
banyaknya bus generator pada sistem. J
1
didapat dari (n-1) x (n-1), J
2
dari (n-1) x
(n-1-m), J
3
dari (n-1-m) x (n-1), J
4
diperoleh dari (n-1-m) x (n-1-m)
Elemen diagonal dan elemen off diagonal
untuk J
1
:
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
16
) sin( Y V V
P
j i ij ij j
1 j
i
i
i
e + e u =
e c
c

=
(19)
i j Y V V
P
j i ij ij j i
j
i
= + =
c
c
) sin(

(20)
Elemen diagonal dan elemen off diagonal
untuk J
2
:
, ) j cos Y V cos Y V 2
V
P
i ij ij
i j
j ii ii i
i
i
e + e u + u =
c
c

=
(21)
, ) i j j cos Y V
V
P
i ij ij i
j
i
= e + e u =
c
c
(22)
Elemen diagonal dan elemen off diagonal
untuk J
3
:
) cos( Y V V
Q
j i ij ij j
1 j
i
i
i
e + e u =
e c
c

=
(23)
, ) i j j Y V
Q
i ij ij i
j
i
= + =
c
c

cos (24)
Elemen diagonal dan elemen off diagonal
untuk J
4
:
, ) j sin Y V sin Y V 2
V
Q
i ij ij
i j
j ii ii i
i
i
e + e u u =
c
c

=
(25)
, ) i j j sin Y V
V
Q
i ij ij i
j
i
= e + e u =
c
c
(26)
Power residual atau sisa daya adalah
perbedaan nilai
) (k
i
P / dan
) ( k
i
Q / yang
terjadwal dengan yang dihitung. Nilai
power residual dihitung dengan persamaan
) k (
i
sch
i
) k (
i
P P P = / (27)
) k (
i
sch
i
) k (
i
Q Q Q = / (28)
Estimasi baru untuk sudut fasa dan
tegangan bus adalah :
) k (
i
) k (
i
) 1 k (
i
e / + e = e
+
(29)
) k (
i
) k (
i
) 1 k (
i
V V V / + =
+
(30)
Proses iterasi akan berhenti jika sudah
terpenuhi :
c s /
) k (
i
P
(31)
c s /
) k (
i
Q
(32)
III. HASIL DAN PEMBAHASAN
3.1 Data Plant
Sistem tenaga listrik IEEE 26 Bus
terdiri dari 6 unit pembangkit yang berada
pada bus 1, bus 2, bus 3, bus 4, bus 5, dan
bus 26, dimana bus 1 dijadikan sebagai
slack bus. One Line Diagram sistem IEEE
26 bus ditunjukkan pada Gambar 2.
Gambar 2. One Line Diagram Sistem IEEE
26 Bus
Batasan kemampuan pembangkitan daya
aktif dan fungsi biaya masing masing
pembangkit pada sistem IEEE 26 bus
ditunjukan pada Tabel 1 berikut.
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
17
Tabel 1. Data Generator Sistem IEEE 26 Bus
No Pembangkit
Daya Aktif (MW) Fungsi Biaya ($/Jam)
Minimum Maksimum
1 Pembangkit 1 (bus 1) 100 500 C
1
= 240 + 7.0 P
1
+ 0.0070 P
1
2
2 Pembangkit 2 (bus 2) 50 200 C
2
= 200 + 10.0 P
1
+ 0.0095 P
1
2
3 Pembangkit 3 (bus 3) 80 300 C
3
= 220 + 8.5 P
1
+ 0.0090 P
1
2
4 Pembangkit 4 (bus 4) 50 150 C
4
= 200 + 11.0 P
1
+ 0.0090 P
1
2
5 Pembangkit 5 (bus 5) 50 200 C
5
= 220 + 10.5 P
1
+ 0.0080 P
1
2
6 Pembangkit 6 (bus 26) 50 120 C
26
= 190 + 12.0 P
1
+ 0.0075 P
1
2
3.2. Hasil Simulasi OPF
Hasil simulasi sistem IEEE 26 bus dengan
menggunakan OPF metode Newton
Raphson ditunjukkan pada Tabel 2 berikut.
Tabel 2. Hasil Simulasi Sistem IEEE 26
Bus dengan Menggunakan OPF
N
o
Nama
Daya
Aktif
(MW)
Daya
Reaktif
(MVar)
Biaya
($/h)
1 Pemb. 1 447,66 250,58 4776,839
2 Pemb. 2 173,08 57,30 2216,901
3 Pemb. 3 263,36 78,28 3084,454
4 Pemb. 4 138,71 33,45 1900,381
5 Pemb. 5 166,09 142,89 2178,034
6 Pemb.6 86,939 27,89 1291,113
Total 1.275,8 590,39 15447.72
Total Losses = 12,815
3.3. Hasil Simulasi OPF - CFPSO
Tabel 3. Hasil Simulasi Sistem IEEE 26
Bus Menggunakan OPF - CFPSO
No
Percobaan
Total Cost
(Rp/jam)
Losses
(MW)
%
Error
Cost
% Error
Losses
1 15447,77 12,817 0,0002 0,0052
2 15447,89 12,819 0,0010 0,0208
3 15447,34 12,815 0,0025 0,0104
4 15447,83 12,818 0,0006 0,0130
5 15447,84 12,818 0,0007 0,0130
6 15447,79 12,817 0,0004 0,0052
7 15447,90 12,819 0,0011 0,0208
8 15447,82 12,818 0,0006 0,0130
9 15447,72 12,816 0,0001 0,0026
10 15447,72 12,816 0,0001 0,0026
11 15447,89 12,819 0,0010 0,0208
12 15447,73 12,816 0,0000 0,0026
13 15447,95 12,820 0,0014 0,0286
14 15447,77 12,817 0,0002 0,0052
15 15447,03 12,800 0,0045 0,1274
rata-rata 15447,73 12,816 0,00097 0,019
Hasil simulasi menggunakan metoda
CFPSO untuk sistem IEEE 26 bus
ditunjukkan pada Tabel 3 dan 4 Parameter
yang digunakan untuk
mengimplementasikan algoritma CFPSO
yang diusulkan dalam menyelesaikan
optimisasi pembangkit sistem IEEE 26 bus
adalah sebagai berikut :
1. Jumlah swarm = 50
2. Jumlah partikel = 6
3. Maksimum iterasi = 1000
4. Koefisien akselerasi, ac
1
= 2.05 dan
ac
2
= 2.05
5. P
D
= 1263
Dari simulasi optimisasi menggunakan
CFPSO akan diperoleh nilai P (daya aktif)
masing masing pembangkit yang ekonomis
untuk melayani beban. Jumlah beban
sebesar 1.263 MW (dari data pembebanan)
dijadikan beban dasar dalam simulasi
CFPSO.
Tabel 4. Hasil Simulasi Pembangkitan Biaya
Terkecil Sistem IEEE 26 Bus
Menggunakan OPF - CFPSO
N
o
Nama
Daya
Aktif
(MW)
Daya
Reaktif
(MVar)
Biaya
($/h)
1
Pembangkit
1
447,498 250,622 4.775,52
2
Pembangkit
2
172,912 57,305 2.215,96
3
Pembangkit
3
263,273 78,314 3.083,50
4
Pembangkit
4
138,632 33,455 1.899,40
5
Pembangkit
5
169,153 142,336 2.184,03
6
Pembangkit
6
84,331 28,258 1.288,59
Total 1.275,80 590.29 15.447,03
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
18
Tabel 3 menunjukan besar persentase nilai
rata rata perbedaan antara setiap kali
percobaan dibandingkan dengan nilai rata
rata keseluruhan percobaan. Persentase
perbedaan untuk jumlah total biaya
pembangkitan adalah 0,00097% dan
persentase perbedaan untuk nilai kerugian
(losses) pada jaringan sebesar 0,019%.
Tabel 3 juga menunjukan pada percobaan
ke 15 (lima belas) diperoleh nilai hasil total
biaya pembangkitan yang termurah, yaitu
sebesar $ 15.447,03/jam. Uraian hasil
simulasi dari percobaan kelima belas untuk
masing masing pembangkitan ditunjukan
pada tabel 3.
Tabel 4 menunjukan hasil simulasi sistem
IEEE 26 Bus menggunakan metoda
CFPSO. Total daya aktif yang
dibangkitkan sebesar 1.275,8 MW untuk
memenuhi kebutuhan beban sebesar 1.263
MW ditambah dengan daya yang hilang
dijaringan sebesar 12,8 MW. Apabila
dijumlahkan daya pada beban dengan daya
yang hilang pada jaringan akan diperoleh
daya sebesar 1.275,8 MW.
Hasil ini menunjukan untuk batasan
keseimbangan daya (equality constraints)
terpenuhi, dimana P (daya) yang dihasilkan
pembangkit (P
i
) jumlahnya sama dengan
daya pada beban (P
D
) ditambah daya yang
hilang pada jaringan (P
L
). Untuk batasan
minimum dan minimum daya aktif
(inequality constraints) dapat dilihat tabel
5 kolom 3 dan tabel 1 kolom 3 dan 4,
dengan :
P1 : 100 < 447,498 < 500
P2 : 50 < 172,912 < 200
P3 : 80 < 263,273 < 300
P4 : 50 < 138,632 < 150
P5 : 50 < 169,153 < 200
P6 : 50 < 84,331 < 120
Tabel 5. Perbandingan Hasil Optimasi Menggunakan OPF Dengan OPF - CFPSO
Daya Output (MW) OPF OPF CFPSO
P1 447,661 447,498
P2 173,087 172,912
P3 263,363 263,273
P4 138,716 138,632
P5 166,099 169,153
P6 86,939 84,331
Losses (MW) 12,815 12,800
Total Pembangkitan (MW) 1.275,815 1.275,800
Total Biaya Pembangkitan ($/jam) 15.447,72 15.447,03
Dari hasil simulasi yang dilakukan pada
sistem IEEE 26 bus dengan menggunakan
OPF diperoleh total biaya pembangkitan
sebesar 15.447,72 $/jam. Dengan
menggunakan metoda OPF - CFPSO
diperoleh total biaya pembangkitan sebesar
15.447,03 $/jam. Untuk mensuplai beban
yang sama, OPF - CFPSO bisa menekan
0,69 $/jam atau sekitar 0,0045 %.
IV. KESIMPULAN
Hasil simulasi menunjukan bahwa dengan
menggunakan CFPSO pada analisa aliran
daya bisa diperoleh biaya pembangkitan
yang lebih murah. Dari data IEEE 26 Bus
yang digunakan, dengan OPF CFPSO
diperoleh total biaya pembangkitan sebesar
15.447,03 $/jam. Apabila hanya
menggunakan OPF saja pada data yang
sama diperoleh total biaya pembangkitan
sebesar 15.447,72 $/jam. Dalam hal ini
bearti
1. ada penekanan biaya sebesar 0,69 $/jam
atau penghematan sebesar 0,0045 %.
2. Pembebanan masing masing
pembangkit dari hasil metoda OPF
CFPSO yang diusulkan dalam
menentukan biaya pembangkitan
termurah masih dalam batasan
Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 12-19
19
keseimbangan daya (equality
constraint) dan batasan minimal dan
maksimal (inequality constraint).
3. Losses atau kerugian pada jaringan dari
hasil OPF CFPSO bila dibandingkan
dengan hasil OPF biasa, berkurang dari
12,815 MW menjadi 12,800 MW.
V. UCAPAN TERIMA KASIH
Ucapan terima kasih dan penghargaan
penulis sampaikan kepada Bapak Ontoseno
Penangsang, Bapak Adi Soeprijanto,
Bapak Indar Chaerah Gunadin. Terima
kasih juga diucapkan kepada Politeknik
Negeri Bengkalis atas fasilitas yang
disediakan dan rekan rekan S2 angkatan
2009 Teknik Sistem Tenaga Jurusan
Teknik Elektro ITS.
VI. DAFTAR PUSTAKA
Allen J. Wood, Woolenberg Bruce F. (1996). Power Generation, Operational, and
Control, 2nd Ed., Jhon Wiley & Sons, Inc., New York.
Budi Santoso dan Paul Willy. (2011). Metoda Metaheuristik Konsep dan Implementasi,
Guna Widya, Surabaya.
C.H. Chen, S. N. Yeh. (2006). Particle Swarm Optimization for Economic Power
Dispatch with Valve Point Effect, IEEE PES Transmission and Distribution
Conference and Exposition Latin America, Venezuela, pp.1-5.
Djiteng Marsudi. (2005). Pembangkitan Energi Listrik, Erlangga, Jakarta.
Hadi Saadat. (2004). Power Sistem Analysis, Second Edition, McGraw-Hill International
Edition,Singapore.
James Kennedy and Russel Eberhart. (1995). Particle Swarm Optimization, IEEE,
pp.1942-1948.
Jong Bae Park, Yun Won Jeong, Hyun Houng Kim and Joong Rin Shin. (2006). An
Improved Particle Swarm Optimization for Economic Dispatch with Valve-Point
Effect, International Journal of Innovations in Energy Systems and Power, Vol. 1,
no. 1. Nov., pp.1-7.
M. Clerc and J. Kennedy. (2002).The particle swarm-explosion, stability, and
convergence in a multidimensional complex space, IEEE Trans. On Evolutionary
Computation, Vol. 6, No. 1, Feb., pp.58-73.
Russell Eberhart, James Kennedy. (1995). A New Optimizer Using Particle Swarm
Theory, Sixth International Symposium on Micro Machine and Human Science,
IEEE, pp. 39-43.
Shi Yao Lim, Mohammad Montakhab, and Hassan Nouri.(2009). Economic Dispatch of
Power System Using Particle Swarm Optimization with Constriction Factor,
International Journal of Innovations in Energy System and Power, Vol 4 No 2,
Oct., pp. 29-34.