KOMPUTASI CERDAS SISTEM TENAGA LISTRIK

SOLUSI EKONOMI DISPATCH MENGGUNAKAN

GENETIK ALGORITMA

OLEH:
I GUSTI MADE WIDIARSANA
1004405049

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK / UNIVERSITAS UDAYANA
BUKIT JIMBARAN
2014

BAB III
PEMBHASAN

3.1

Algoritma Genetika Untuk Implementasi Solusi Ekonomi Dispatch

Fitness function digunakan untuk mengubah nilai fungsi biaya menjadi

ukuran fitness relatif. Fitness function diberikan dalam persamaan

Pemilihan ini didasarkan pada biaya vektor induk Fm (P GI) dengan biaya
yang sesuai vektor keturunan Fm ( P/GI ') pada populasi ini. Vektor terbaik
memiliki biaya minimum. Batasan batasan yang digunakan sebagai parameter
input adalah nilai fungsi biaya, total demand, batas pembangkitan generator dan
rugi rugi.
Untuk menyelesaikan solusi ekonomi dispatch dalam tulisan ini
menggunakan algoritma genetika. Metode ini akan mencari nilai bahan bakar
yang digunakan untuk pembangkitan, alokasi pembangiktan daya pada
pembangkitan pada tiap generator dan rugi - rugi.
Ukuran populasi yang ditetapkan adalah 30 dengan maksimum generasi
300, kemungkinan silang yang sama 0.8, dan mutasi adalah 0.08.kemudian untuk
nilai biaya pembangkitan pada pembangkit 1 sampai dengan pembangkit 6 dengan
fungsi
F1 (PG1) = 0.0015 PG12 + 1.8 PG1 + 40
F2 (PG2) = 0.0030 PG22 + 1.7 PG2 + 60
F3 (PG3) = 0.0012 PG32 + 2.1 PG3 +100
F4 (PG4) = 0.0080 PG42 + 2.0 PG4 + 25
F5 (PG5) = 0.0010 PG52 + 1.9 PG5 + 120
F6 (PG6) = 0.008 PG62 + 10.5 PG6 + 220

Dengan limit pembangkitan generator sebagai berikut :

100 PG1 300
80 PG2 150
80 PG3 200
20 PG4 100
100 PG5 300
50 PG6 200
3.2

Listing Program

Berikut merupakan listing program untuk fungsi dari algoritma genetika:

clear;
clc;
tic;
global data B Pd
disp( ' --------------PROGRAM EKONOMI DISPATCH------------- ' )
disp( ' ----------MENGGUNAKAN ALGORITMA GENETIKA----------- ' )
disp( ' --------I GUSTI MADE WIDIARSANA (1004405049)------- ' )
% PROGRAM EKONOMI DISPATCH
% INPUT DATA HARUS BERUPA MATRIX DENGAN 5 KOLOM
% DIMANA [ BIAYA GENERATOR ($/MW^2) BIAYA GENERATOR ($/MW) BIAYA($)
LIMIT
% MINIMUM LIMIT MAXIMUM ]
% ATAU SEPERTI BERIKUT 0.0015PG1^2 + 1.8PG1 + 40 DENGAN LIMIT
PEMBANGKITAN
% 100 <= PG1 <= 300 DITULIS DALAM MATRIX SEBAGAI BERIKUT
% 0.0015 1.8 40 100 300,, BEGITU SETERUSNYA
data=input('Masukan nilai biaya generator dan batas pembangkitan generator dalam matrix = ');
% Data yang digunakan untuk input dalam program adalah sebagai berikut :
%[ 0.0015 1.8 40 100 300
%0.0030 1.7 60 80 150
%0.0012 2.1 100 80 200
%0.0080 2.0 25 20 100
%0.0010 1.9 120 100 300
%0.008 10.5 220 50 200];
B=1e-4*[0.14 0.17 0.15 0.19 0.26
0.17 0.6 0.13 0.16 0.15 0.2
0.15 0.13 0.65 0.17 0.24 0.19
0.19 0.16 0.17 0.71 0.3 0.25
0.26 0.15 0.24 0.3 0.69 0.32
0.22 0.2 0.19 0.25 0.32 0.85
];

0.22

% DAYA YANG INGIN DIBANGKITKAN (MW)

Pd=input('masukan nilai total demand (MW) = ');%730;
% MENSETTING PARAMETER GENETIK ALGORITMA.
options = gaoptimset;
options = gaoptimset('PopulationSize', 30,'Generations', 300,'TimeLimit', 200,'StallTimeLimit',
100,'PlotFcns', {@gaplotbestf,@gaplotbestindiv,@gaplotscores,@gaplotrange});
[x ff]=ga(@ekonomidispatch,5,options);
[ F P1 Pl]=ekonomidispatch(x)
tic;
disp( 'Dimana : ');
disp( 'f = biaya bahan bakar' );
disp( 'P1 = ALOKASI DAYA YANG DIBANGKITKAN PADA TIAP GENERATOR' );
disp( 'Pl = RUGI - RUGI ')
Kode program 3.1 source kode pada mainprogram_dan_inputdata

Berikut merupakan listing sub program :

function[ F P1 Pl]=ekonomidispatch(x)
global data B Pd
x=abs(x);
n=length(data(:,1));
for i=1:n-1
if x(i)>1;
x(i)=1;
else
end
P(i)=data(i+1,4)+x(i)*(data(i+1,5)-data(i+1,4));
end
B11=B(1,1);
B1n=B(1,2:n);
Bnn=B(2:n,2:n);
A=B11;
BB1=2*B1n*P';
B1=BB1-1;
C1=P*Bnn*P';
C=Pd-sum(P)+C1;
x1=roots([A B1 C]);
% x=.5*(-B1-sqrt(B1^2-4*A*C))/A
x=abs(min(x1));
if x>data(1,5)
x=data(1,5);
else
end
if x<data(1,4)
x=data(1,4);
else
end
P1=[x P];
for i=1:n
F1(i)=data(i,1)* P1(i)^2+data(i,2)*P1(i)+data(i,3);
end
Pl=P1*B*P1';
lam=abs(sum(P1)-Pd-P1*B*P1');

F=sum(F1)+1000*lam;
Kode program 3.2 source kode untuk ekonomi dispatch

3.3

Hasil Keluaran dengan Algoritma Genetika

Hasil keluaran ketika program dijalankan (running program) maka pada

Command Window akan muncul tampilan program seperti berikut ini ::

Gambar 3.1 tampilan awal pemberian input data

Pada gambar diatas diminta untuk menginputkan data biaya generator dan batas
pembangkitan yang telah ditentukan sebelumnya, dimana data tersebut dibuat
dalam matrix 5 kolom dengan inputan sebagai berikut :
[ biaya generator ($/mw^2) biaya generator ($/mw) biaya($) limit % minimum
limit maximum ], serta dengan menginputkan total daya yang dibangkitkan.
Berikut adalah tampilan setelah program dijalankan dan diberi input dari
data data yang telah didapat:

Gambar 3.2 tampilan akhir dari algoritma genetika untuk ekonomi dispatch

Berdasarkan data dan tampilan diatas, ketika program dijalankan pertama

kita diminta untuk menginputkan data biaya pembangkitan pada pembangkit 1
sampai dengan pembangkit 6, limit pembangkitan generator, dan total daya yang
dibangkitkan sesuai beban.
Setelah semua data diinputkan maka program akan mengeksukusi fungsi
yang diberikan dan akan menghasilkan biaya bahan bakar yang diperlukan untuk
menghasilhan total daya yang ingin dibangkitkan sesuai beban, alokasi total daya
yang dibangkitkan tiap pembangkit, serta rugi rugi. Dan pada saat bersamaan
program tersebut akan menghasilkan beberapa grafik yang memang telah
diplotkan pada program sebelumnya. Berikut adalah grafik plot yang dihasilkan
pada program.

Gambar 3.3 grafik yang dihasilkan pada program ekonomi dispatch

3.4

Kesimpulan
Dari hasil keluaran / output diatas, dapat dilihat bahwa biaya bahan bakar

yang dihasilkan metode algoritma genetika adalah Fuel = 2061.8 $/MW ,. Untuk
rugi-rugi metode algoritma genetika yang dihasilkan sebesar 15.1643MW. Serta
alokasi yang diberikan untuk pembangkit 1 = 200.5770 MW, pembangkit 2 =
113.7029 MW, pembangkit 3 = 130.0925 MW, pembangkit 4 = 22.3199 MW,
pembangkit 5 = 227.3676 MW, pembangkit 6 = 51.1043 MW . Sehingga kinerja
dari algoritma genetika dapat digunakan untuk permasalahan ekonomi dispatch.