Achmad Budiman, ST, Fakultas Teknik Elektro, Universitas Borneo, Tarakan, Indonesia
achmad_b75@yahoo.co.id
2
Prof. Ir. Ontoseno Penangsang, M.Sc. Ph.D, Fakultas Teknologi Industri, Instiut Teknologi Sepuluh Nopember, Surabaya, Indonesia
ontosenop@ee.its.ac.id
3
Prof. Dr. Ir. Adi Soeprijanto, MT, Fakultas Teknologi Industri, Instiut Teknologi Sepuluh Nopember, Surabaya, Indonesia
adisup@ee.its.ac.id
Abstraks
Penelitian ini menggunakan metode algoritma genetika breeder (AGB) untuk penempatan dan penentuan
kapasitas pembangkit kecil tersebar (DG) berkonstrain tegangan bus. Permasalahan dalam penelitian ini
diformulasikan dalam bentuk fungsi multiobjektif, yang mana objek tersebut biasanya kontradiksi satu sama lain.
Optimasi dengan fungsi multiobjektif yang diusulkan yaitu keandalan DG dan penghematan bahan bakar DG .
Keefektifan Metode yang diusulkan akan ditunjukan dari hasil simulasi pada sistem IEEE 14 dan 30 bus.
Kata Kunci : Pembangkit kecil tersebar (DG), algoritma genetika breeder, pemrograman multiobjektif
I.
PENDAHULUAN
Saat ini, kebutuhan listrik untuk sistem yang lebih fleksibel, perubahan dalam peraturan dan skenario
ekonomi serta pentingnya pemanfaatan energi dan meminimalkan dampak lingkungan telah memberikan
dorongan untuk pengembangan pembangkit kecil tersebar. Pembangkit kecil tersebar biasa dikenal sebagai
Distributed Generation (DG). Untuk alasan ini, DG diprediksikan untuk memainkan peran peningkatan daya
listrik pada sistem kelistrikan dalam waktu dekat.
Dalam hal manfaat bagi sistem pembangkit, DG dapat memberikan berbagai layanan untuk utilitas
dan konsumen, termasuk sebagai pembangkit siaga, pembangkit pendukung beban puncak, pembangkit untuk
beban dasar, pendukung penyediaan daya aktif, pendukung penyediaan daya reaktif, pendukung tegangan,
stabilitas jaringan, cadangan berputar, dan dapat juga menurunkan rugi daya pada jaringan[1].
Untuk mendukung manfaat DG dalam sistem pembangkit diperlukan perencanaan yang baik
termasuk menentukan lokasi penempatan dan besar daya keluaran DG. Sistem pembangkit yang memiliki bus
berjumlah banyak menjadi kesulitan tersendiri dalam hal menentukan lokasi unit DG, daya keluaran, dan
jumlah unit DG yang ditempatkan. Kesalahan dalam penentuan yang disebutkan diatas dapat berpengaruh
terhadap keandalan unit DG, efisiensi bahan bakar (BBM) unit DG, dan rugi daya pada jaringan listrik.
Permasalahan penentuan lokasi penempatan dan besar daya keluaran DG dengan memperhatikan
keandalan unit DG, efisiensi bahan bakar unit DG, dan rugi-rugi saluran akan diselesaikan dengan
memodelkan ke dalam metode Intelligent Computation yaitu Algoritma Genetika.
II.
Dalam pendefinisian kapasitas pembangkit kecil tersebar (DG) terdapat definisi yang berbeda-beda
dan saat ini definisi yang digunakan sebagai berikut [3] :
1. The Electric Power Research Institute mendefinisikan DG sebagai pembangkit dengan kapasitas
beberapa kilowatt sampai dengan 50 MW.
2. Menurut Gas Research Institute mendefinisikan DG sebagai pembangkit dengan kapasitas antara 25 kW
dan 25 MW.
3. Preston dan Rastler menentukan ukuran mulai dari beberapa kilowatt hingga lebih dari 100 MW.
4. Cardell mendefinisikan DG sebagai pembangkit dengan kapasitas antara 500 kW dan 1 MW.
5. International Conference on Large High Voltage Electric Systems (CIGRE) mendefinisikan DG sebagai
pembangkit dengan kapasitas lebih kecil dari 50 -100 MW.
Selain itu, terdapat kesepakatan antara pengarang dan organisasi yang berbeda tentang definisi
tujuan DG yaitu tujuan DG adalah untuk menyediakan sumber daya listrik aktif . Berdasarkan definisi tujuan
DG maka DG tidak dibutuhkan dalam penyediaan sumber daya listrik reaktif [3].
Definisi lokasi DG pun bervariasi antara penulis yang berbeda. Sebagian besar penulis menentukan
lokasi DG pada sisi jaringan distribusi, beberapa penulis lain menentukan lokasi DG pada sisi pelanggan
bahkan beberapa penulis lokasi DG mencakup pada sisi jaringan transmisi [3].
Ada jenis DG yang berbeda berdasarkan konstruksi mesin dan sudut pandang teknologi akan tetapi
pembahasan difokuskan pada DG tipe turbin combustion. Mesin reciprocating saat ini menjanjikan bagi
sistem pembangkit hingga 5 MW. Biaya instal untuk mesin-generator dalam pendistribusian daya ($ 350
sampai $ 500 untuk unit diesel, $ 600 hingga $ 1.000 untuk gas [$ 2000]) adalah sekitar setengah biaya untuk
pusat pembangkit listrik tenaga uap. Selain biaya awal dan biaya siklus-hidup yang kompetitif, mesin
menawarkan fleksibilitas operasi yang tinggi. Mesin reciprocating melakukan tugas secara efisien secara
terus-menerus dalam mengakomodasi variasi beban. Beberapa set generator dapat dikonfigurasi dengan satu
atau lebih unit siklus berbeban sehingga dapat terus-menerus menghasilkan nilai daya penuh untuk kinerja
optimal dan hemat BBM. Beberapa unit juga menyediakan redundansi untuk keadaan darurat dan
memungkinkan adanya interval pemeliharaan, menjaga sistem tetap on-line sedangkan individu unit lainnya
menjalankan jadwal pemeliharaan [1].
III.
METODE PENELITIAN
Sebuah Algoritma Genetika (GA) adalah algoritma pencarian yang didasarkan pada hipotesis seleksi
alam. GA berdasarkan proses pencarian evolusi yang dimulai dengan set populasi yang sangat besar sebagai
calon awal solusi. Solusi ini mengalami seleksi didasarkan pada fitness dan operator genetik lain yang
berguna dalam pencarian solusi. Masing-masing kandidat solusi dikenal sebagai kromosom, dan himpunan
semua kromosom dibuat dari sebelumnya ditetapkan melalui apa yang disebut operator genetik (crossover,
mutasi, turnamen, dll). Dalam setiap generasi, kromosom kebugaran masing-masing didefinisikan sedemikian
rupa sehingga kromosom dengan fitness tertinggi mewakili titik optimal dalam ruang pencarian.
3.1. Pengkodean
Representasi dan pelaksanaan GA untuk masalah ini diusulkan sebagai berikut. Setiap generator
DG diwakili oleh G string biner dari 5 bit. Bit pertama mewakili tipe daya output generator DG (1 untuk daya
aktif, 0 untuk daya reaktif). Tersisa 4 bit mewakili tingkat daya output dari generator DG. Sebagai contoh,
string G = [10000] mewakili sebuah generator DG yang menyuplai daya aktif bekerja pada kapasitas
minimum dan string G = [11111] mewakili generator DG yang menyuplai daya aktif bekerja dalam kapasitas
penuh. Sedangkan lokasi DG tergantung jumlah bus dalam sistem pembangkit yang digunakan, setiap bus
diwakili oleh G string biner dari 4 bit untuk 14 bus dan 5 bit untuk 30 bus [2].
(1)
(2)
dengan
i = lokasi DG pada bus ke-i
Pk = kapasitas daya DG
Pout = daya output DG
Pemasangan DG pada sistem pembangkit mempengaruhi rugi daya saluran sehingga besar rugi daya
saluran dihitung kembali. Dalam perhitungan rugi daya saluran digunakan software loadflow berbasis metode
Newton-Raphson.
=
(3)
(4)
dengan
PG = Total daya pembangkitan
Psys = daya output pembangkit sistem
PDG = daya output pembangkit DG
Pload = daya beban
Ploss = rugi daya saluran
Berdasarkan persamaan (1), (2), (3), dan (4) maka dibentuk fitness yang akan digunakan dalam
algoritma genetika sebagai berikut [4] :
=
dengan
PkDGi = kapasitas daya unit DG ke-i
PoutDGi = daya keluar dari unit DG ke-i
W
= faktor bobot
) + (1
(5)
3.4. Reproduksi
Adalah proses pemilihan individu untuk berpindah menuju generasi baru menurut fitnessnya. Metode
seleksi yang digunakan adalah roulette wheel. Masing-masing kromosom menempati potongan lingkaran
pada roda roulette secara proporsional sesuai dengan nilai fitnessnya. Kromosom yang memiliki nilai fitness
yang lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai
fitness rendah. Untuk mencegah terjadinya konvergensi pada optimum lokal, maka dilakukan penskalaan
fitness, sehingga fitness berada pada [fmax fmin] sebagai berikut [5,7]:
dengan
fi
N
+
(6)
3.6. Mutasi
Mutasi digunakan untuk memperkenalkan beberapa penyebaran tiruan dalam populasi untuk
mencegah konvergensi dini pada titik optimum lokal. Prosedur mutasi sangatlah sederhana dan untuk semua
gen yang ada jika bilangan random yang dibangkitkan kurang dari probabilitas mutasi Pmut yang ditentukan
maka ubah gen tersebut menjadi nilai kebalikannya (dalam binary encoding, 0 diubah 1, dan 1 diubah 0).
Biasanya Pmut diset sebagai 1/n, di mana n adalah jumlah gen dalam kromosom. Dengan Pmut sebesar ini
berarti mutasi hanya terjadi pada sekitar satu gen saja. Pada AG sederhana, nilai Pmut adalah tetap selama
evolusi.
3.7. Elitisme
Karena seleksi dilakukan secara random, maka tidak ada jaminan bahwa suatu individu bernilai
fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai fitness tertinggi terpilih, mungkin saja
individu tersebut akan rusak (nilai fitnessnya menurun) karena proses pindah silang. Untuk menjaga agar
individu bernilai fitness tertinggi tersebut tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa
kopinya. Prosedur ini dikenal sebagai elitisme [7].
IV.
Algoritma genetika dibuat dengan software Matlab versi 7.1 untuk mencari lokasi dan kapasitas
optimum dari DG pada sistem IEEE 14 bus dan IEEE 30 bus.
IEEE 14 bus :
Hasil optimisasi secara berturut-turut pada bus 4 ditempatkan DG berkapasitas 2 x 10 MW, bus 5
ditempatkan DG berkapasitas 2 x 10 MW, bus 10 ditempatkan DG berkapasitas 1 x 10 MW, bus 12
ditempatkan DG berkapasitas 1 x 10 MW, bus 13 ditempatkan DG berkapasitas 1 x 10 MW, bus 14
ditempatkan DG berkapasitas 1 x 10 MW. Total daya keluaran DG pada semua bus terpilih sebesar 64 MW
merupakan hasil optimisasi minimalisasi AG Breeder sehingga terjadi penghematan bahan bakar unit DG dan
sehubungan dengan hal itu unit DG menjadi andal sebab cadangan daya unit DG tersedia sebesar 20 % (16
MW) dari pemakaian sebesar 80 % (64 MW).
IEEE 30 bus :
Hasil optimisasi secara berturut-turut pada bus 7 ditempatkan DG berkapasitas 1 x 10 MW, bus 18
ditempatkan DG berkapasitas 1 x 10 MW, bus 19 ditempatkan DG berkapasitas 1 x 10 MW. Total daya
keluaran DG pada semua bus terpilih sebesar 24 MW merupakan hasil optimisasi minimalisasi AG Breeder
sehingga terjadi penghematan bahan bakar unit DG dan sehubungan dengan hal itu unit DG menjadi andal
sebab cadangan daya unit DG tersedia sebesar 20 % (6 MW) dari pemakaian sebesar 24 % (64 MW).
Tabel 1. Sesudah Optimasi 8 DG Pada IEEE 14 Bus
Jumlah 8 Unit DG
Pow er Flow Solution by New ton-Raphson Method
Maximum Pow er Mismatch = 1.36627e-008
No. of Iterations = 7
Bus
Voltage
Angle
No
Mag.
Degree
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1.05
0
1.035
-3.593
1.01
-10.654
1.011
-7.232
1.015
-5.844
1.05
-9.144
1.029
-8.814
1.05
-8.814
1.014
-9.663
1.013
-9.354
1.026
-8.804
1.036
-9.63
1.034
-9.331
1.004
-10.574
Total
Total Loss Pakai DG
Load
Generator
Static Mvar
MW
Mvar
MW
Mvar
+Qc/-Ql'
0
21.7
94.2
47.8
7.6
11.2
0
0
29.5
9
3.5
6.1
13.5
14.9
259
8.067
0
12.7
19
-3.9
1.6
7.5
0
0
16.6
5.8
1.8
1.6
5.8
5
73.5
3.94
163.202
40
0
16
16
0
0
0
0
8
0
8
8
8
267.202
-5.402
35.728
33.7
0
0
22.274
0
22.512
0
0
0
0
0
0
108.812
0
-10
0
0
0
-6
0
-10
0.19
0
-6
0
0
0
-31.81
50
Fitness : 15.840
IEEE Bus System : 14
Jumlah Unit DG : 8
Uk DG :8.0:8.0:8.0:8.0:8.0:8.0:8.0:8.0
Bus no. :14:10:5:4:13:12:5:4
Tipe Daya :1:1:1:1:1:1:1:1
Total Pout DG :64.000
Pbreeder :0.25
Total Loss :8.067
45
40
FITNESS
35
30
25
20
15
10
5
20
40
60
80
GENERASI
100
120
140
160
Gambar 2. Grafik hasil optimasi penempatan dan penentuan kapasitas untuk 8 unit DG
20
P-Out DG (MW)
P-out DG
15
10
5
0
Keandalan DG (MW)
10
11
12
13
14
Rlbty DG
3
2
1
0
6
7
8
9
Nomor Bus
KEANDALAN DG DAN LOKASI DG
20
6
7
8
9
Nomor Bus
DAYA OUTPUT DG DAN KEANDALAN DG
10
11
12
13
14
P-out DG
Rlbty DG
15
10
5
0
Nomor Bus
10
12
14
Gambar 3. Bar Chart hasil optimasi penempatan dan penentuan kapasitas untuk 8 unit DG
V oltage
A ngle
No
Mag.
Degree
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1.05
0
1.033
-5.03
1.01
-7.196
1.001
-8.677
1
-13.721
1
-10.217
0.992
-12.193
1
-10.946
1.022
-12.352
1.006
-13.991
1.052
-12.352
1.032
-13.912
1.05
-13.912
1.015
-14.709
1.01
-14.627
1.014
-14.193
1.003
-14.297
0.996
-15.143
0.991
-15.247
0.994
-14.993
0.994
-14.318
0.995
-14.255
0.998
-14.539
0.99
-14.045
0.997
-13.634
0.978
-14.071
1.009
-13.101
1
-10.693
0.997
-13.582
0.994
-13.611
Total
Total Loss Pakai DG
Load
Generator
Static Mv ar
MW
Mv ar
MW
Mv ar
+Qc /-Ql'
0
21.7
2.4
7.6
94.2
0
22.8
30
0
5.8
0
11.2
0
6.2
8.2
3.5
9
3.2
9.5
2.2
17.5
0
3.2
8.7
0
3.5
0
0
2.4
10.6
283.4
15.116
0
12.7
1.2
1.6
19
0
10.9
30
0
2
0
7.5
0
1.6
2.5
1.8
5.8
0.9
3.4
0.7
11.2
0
1.6
6.7
0
2.3
0
0
0.9
1.9
126.2
13.975
234.279
40
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
0
0
0
0
0
0
0
0
298.279
-11.304
47.497
0
0
37.425
0
0
36.107
0
0
23.926
0
23.205
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
156.855
0
0
0
0
0
0
0
0
0
0.19
-8.5
0
-10
0
0
0
0
0
0
0
0
0
0
0.043
0
0
0
0
0
0
-18.267
50
45
40
FITNESS
35
30
25
20
15
10
5
20
40
60
80
GENERASI
100
120
140
160
Gambar 4. Grafik hasil optimasi penempatan dan penentuan kapasitas untuk 3 unit DG
P-Out DG (MW)
P-out DG
6
4
2
0
10
15
20
Nomor Bus
KEANDALAN DG DAN LOKASI DG
Keandalan DG (MW)
25
30
35
Rlbty DG
1.5
1
0.5
10
15
20
Nomor Bus
DAYA OUTPUT DG DAN KEANDALAN DG
25
30
35
P-out DG
Rlbty DG
6
4
2
0
10
15
Nomor Bus
20
25
30
Gambar 5. Bar Chart hasil optimasi penempatan dan penentuan kapasitas untuk 3 unit DG
V.
KESIMPULAN
Berdasarkan hasil optimasi, dapat disimpulkan bahwa penambahan unit DG kedalam sistem
pembangkit dengan memperhatikan penghematan bahan bakar unit DG dapat menyebabkan rugi-rugi daya
saluran menurun dan penghematan bahan bakar unit DG sangat berpengaruh terhadap cadangan daya unit DG
atau sangat berpengaruh terhadap keandalan unit DG. Sedangkan penambahan unit DG dengan daya output
yang berlebihan dapat menyebabkan kenaikan magnitude tegangan bus apabila penempatan dan penentuan
kapasitas DG tidak tepat.
DAFTAR PUSTAKA
[1]
Ann-Marie Borbely and Jan F. Kreder, Distributed Generation The Power Paradigm for the New
Millennium, CRC Press LLC, Florida, 2001
[2]
Edwin Haesen and Marcelo Espinoza and Bert Pluymers and Ivan Goethals and Vu Van Thong and
Johan Driesen and Ronnie Belmans and Bart De Moor, Optimal Placement and Sizing of Distributed
Generator Units using Genetic Optimization Algorithms, Kasteelpark Arenberg 10, B-3001 Leuven
(Heverlee), Belgium, May 2005
[3] Thomas Ackermann and Goran Andersson and Lennart Soder, Distributed Generation: a definition,
ELSEVIER Electrical Power Sistem Research 57 (2001) 195-204, December 2000
[4] Adi Soeprijanto,Rumus Fitness Keandalan-Hemat BBM Distributed Generation (DG), ITS, Surabaya,
Oktober 2009
[5] Suyanto, Algoritma Genetika dalam MATLAB, Andi Ofset Yogyakarta, 2005
[6] Haupt and Randy L., Practical Genetic Algoritms, A Wiley-Interscience publication, USA, 1998
[7] Umar, Optimasi Penempatan TCSC dan SVC pada Sistem 500 kV Jawa-Madura-Bali Menggunakan
Breeder Algoritma Genetika, Tesis, Oktober 2008
[8] Heinz Muhlenbein and Dirk Schlierkamp-Voosen, Predictive Models for the Breeder Genetic
Algorithm, Sank Augustin 1, Germany, 1993
[9] Hadi Saadat, Power Sistem Analysis, McGraw-Hill, 1999
INDEKS
algoritma genetika, 1, 4
breeder, 1
bus, 1, 3, 4, 6, 7, 12
crossover, 2, 5
daya, 1, 2, 3, 4, 6, 7, 11
DG, 1, 2, 3, 4, 5, 6, 7, 8, 9, 11, 12
elitisme, 5
fitness, 2, 4, 5
IEEE, 1, 6, 7, 9
kapasitas, 1, 2, 3, 4, 5, 6, 8, 11, 12
keandalan, 1, 3, 5, 11
kromosom, 2, 4, 5
loadflow, 4
lokasi, 1, 2, 3, 4, 5, 6
multiobjektif, 1
mutasi, 2, 5
penempatan, 1, 5, 8, 11, 12
penghematan, 1, 3, 5, 6, 7, 11
Pindah Silang, 4
rugi, 1, 4, 5, 11
seleksi, 2, 4, 5
10