Abstract: The needs of electricity increase rapidly; energy resource from the power plant cannot fulfill
those needs. Steam turbine that mostly used is vital equipment in a power plant. This paper presents the
result of the numerical study on the frequency control using Neural Network. In operating steam turbine,
the stability level frequency is important maintained because has significant effect to the output. Neural
Network application has been done the design of neural network controller on the plant. While neural
network plant and controller are combined, or online training, then the result is approaching the set point
with 0,000899902 errors.
Kehidupan
. modern menuntut segala lapisan agar tetap steady dengan jalan memperbesar atau
baik individu maupun kelompok untuk memenuhi memperkecil aliran steam yang masuk ke turbin
kebutuhan energi. Salah satu sumber energi yang sehingga diperoleh putaran kecepatan turbin yang
yang banyak dimanfaatkan dalam kehidupan sehari- konstan.
hari adalah listrik. Pada sistem tenaga listrik per- Bertitik tolak dari latar belakang tersebut di atas,
mintaan beban sering berubah-ubah besarnya. Hal maka perlu dirumuskan bagaimana mengendalikan
ini menimbulkan perubahan parameter dari sistem. perubahan frekuensi yang ditimbulkan oleh naik
Salah satu parameter yang terpengaruh dengan turunnya beban yang mengakibatkan menurunnya
adanya perubahan beban adalah parameter fre- kualitas tenaga listrik dan kerusakan pada peralatan-
kuensi. Perubahan frekuensi ini jika tidak segera peralatan pembangkit listrik. Dalam penelitian ini akan
ditanggulangi dapat mengakibatkan kerusakan pada dilakukan perancangan system pengendalian turbin
peralatan-peralatan listrik yang peka terhadap uap, di mana perancangan akan dilakukan pada
perubahan frekuensi. Untuk mempertahankan Condensing Turbine, atau Turbin Kondensasi dengan
frekuensi tetap konstan (50 Hz) diperlukan suatu satu siklus, di mana uap jenuh yang keluar dari turbin
sistem pengendalian yang mengatur putaran turbin dikondensasikan dalam kondensor untuk selanjutnya
(1)
Ali Musyafa, Jurusan Teknik Fisika Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember,Kampus ITS, Keputih
Sukolilo – Surabaya 60111
(2)
A. Rachmawardani, Jurusan Teknik Fisika Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember,Kampus ITS, Keputih
Sukolilo – Surabaya 60111
(3)
Rahmi A, Jurusan Teknik Fisika Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember,Kampus ITS, Keputih Sukolilo
– Surabaya 60111
58 GEMATEK JURNAL TEKNIK KOMPUTER, VOLUME 9 NOMOR 2, SEPTEMBER 2007
akan dilakukan proses boiling di dalam boiler. Sistem turbin uap terdiri atas ketel, turbin yang
Dalam melakukan perancangan sistem pengendalian, menggerakkan beban, kondensor dan pompa air ketel.
adanya vibrasi yang terjadi pada turbin diabaikan, Turbin uap bisa dioperasikan dengan memakai uap
sedangkan untuk pendekatan pada sistem, plant yang panas lanjut atau uap basah. Bagan proses turbin
dimodelkan diasumsikan dalam kondisi ideal. uap dapat dilihat pada Gambar 1.
Adapun tujuan dari penelitian ini adalah
merancang sistem pengendalian frekuensi pada turbin
uap dengan menggunakan Jaringan Syaraf Tiruan.
Diharapkan hasil dari penelitian ini akan memberikan
masukan pada industri yang menggunakan turbin uap
dalam proses pembangkit listrik untuk keperluan
proses maupun industri pembangkit listrik atau power
plant, sehingga daya listrik yang dikeluarkan akan
stabil.
Karayaka, et. al, (2001) telah melakukan pe- Gambar 1 Bagan Proses Turbin Uap (Fritz, 1994)
nelitian yang menghasilkan sebuah metode baru untuk
mengestimasi dan memodelkan parameter rotor- Proses tenaga uap (Gambar 1) dimulai dari
body suatu turbin generator besar dari data gangguan pompa pengisi ketel, (1) di sini air pengisi ketel yang
online. Untuk setiap set data gangguan diperoleh dari kebanyakan dari air kondensat yang hangat dipompa
kondisi operasi yang berbeda, dan parameter rotor masuk ke dalam ketel (2) dengan adanya pembakaran
body dari generator diestimasi menggunakan Output di dalam ketel, maka air akan mendidih. Kondisi uap
Error Method (OEM). Estimator berbasis Artificial yang dihasilkan pada umumnya berkisar antara 15
Neural Network (JST) kemudian digunakan untuk kg/cm2 dan 125o C untuk unit daya rendah, sampai
memodelkan ke-nonlinier-an dalam mengesti- 325 kg/cm2 dan 650o C untuk unit daya tinggi. Di
masi parameter berdasar pada kondisi operasi ge- dalam pemanas lanjut (3), suatu sistem pipa yang
nerator. tersendiri terpisah dari ruang air yang terdapat di
Turbin adalah mesin penggerak, di mana energi dalam ketel, uap kering dengan kondisi x=1 terus
fluida kerja dipergunakan langsung untuk memutar dipanaskan. Dengan demikian, temperatur uap naik
roda turbin. Bagian turbin yang berputar dinamai rotor melebihi temperatur didihnya. Uap panas lanjut ini
atau roda turbin, sedangkan bagian yang tidak dimasukkan ke turbin uap (4) sebagai uap baru (uap
berputar dinamai stator atau rumah turbin. Roda turbin masuk). Dan uap ini mempunyai entalpi h1 (dapat
terletak di dalam rumah turbin dan memutar poros dilihat pada diagram h-s). Di dalam turbin, uap
daya yang menggerakkan atau memutar bebannya tersebut akan berekspansi sesuai dengan peren-
(generator listrik). Di dalam turbin fluida kerja canaan kondisi uap keluarnya (uap bekas). Dengan
mengalami proses ekspansi yaitu proses penurunan demikian akan terdapat suatu panas jatuh, selisih
tekanan, dan mengalir secara kontinu. entalpi adalah h1-h2.
Musyafa, Aplikasi Jaringan Syaraf Tiruan 59
Uap bekas meninggalkan turbin, setelah Daerah di bawah garis lengkung k-K-k’ pada
sebagian tenaganya digunakan untuk bekerja di dalam diagram T – S merupakan daerah campuran fasa cair
saluran sudu-sudu, dan daya usaha uap itu oleh turbin dan uap. Uap di dalam daerah tersebut biasanya juga
diteruskan ke generator. Uap bekas turbin uap dengan dinamakan basah. Garis k – K dinamai garis cair
entalpi h2 kebanyakan sudah tidak bisa dimanfaatkan (jenuh), di mana pada dan sebelah garis kiri tersebut
lagi, uap bekas ini dimasukkan ke kondensator (5) air ada dalam fasa cair. Sedangkan garis k – K’
dan di dalam kondensator uap mengalami pendinginan dinamai garis uap jenuh, di mana pada dan sebelah
dan tekanan kerendahan (kurang dari 1 atm) kanan garis tersebut air ada dalam fasa uap (gas).
sehingga uap mengembun menjadi air. Air kondensat Uap di dalam daerah tersebut terakhir biasanya
yang keluar dari kondensator bisa dipakai untuk dinamai uap kering. Titik K dinamai titik kritis, di
berproses lagi dengan dijadikan air pengisi ketel. Air mana temperatur dan tekanan pada titik tersebut
kondensat yang keluar dari kondensor (5) dipompa berturut-turut dinamai temperatur kritis dan tekanan
memakai pompa kondensat (6) dimasukkan ke dalam kritis. Pada titik kritis keadaan cair jenuh dan uap
reservoar air pengisi ketel dan dari sini dipompa jenuh adalah identik. Untuk air tekanan kritisnya Pc
memakai pompa air pengisi ketel (1) dimasukkan ke = 218, 3 atm (= 3206,2 psia) dan temperatur kritisnya
dalam ketel lagi, dengan demikian proses siklus Tc = 374,2 o C ( = 705,4 o F). Pada tekanan lebih tinggi
(Clausius-Rankine-Proses) kembali diulang lagi. dari Pc tidak dapat diketahui dengan pasti bilamana
- Siklus Rankine dan di mana terjadi perubahan dari fasa cair ke fasa
Siklus ideal dari suatu sistem turbin uap se- uap. Tetapi dalam hal tersebut biasanya dikatakan
derhana adalah siklus Rankine. Siklus Rankine bahwa air ada dalam fasa cair apabila temperaturnya
dapat digambarkan pada diagram T vs S seperti di bawah T c dan ada dalam fasa uap apabila
terlihat pada Gambar 2. temperaturnya lebih tinggi daripada Tc .
Siklus Rankine terdiri dari beberapa proses
sebagai berikut:
P3 = P2
1 2 Proses pemompaan isentropis, di dalam
K
T
pompa.
2 3
2 2 2’ 3 Proses pemasukan kalor atau
S pemanasan pada tekanan konstan di dalam ketel.
3 4 Proses ekspansi isentropik di dalam turbin
atau mesin uap lainnya.
k 4 1 Proses pengeluaran kalor atau pengembunan
4
k pada tekanan konstan, di dalam kondensator.
Kondisi uap yang keluar dari turbin (titik 4’)
a b c ada di dalam daerah campuran cair-uap (uap basah).
S (entropi)
Namun demikian hendaknya diusahakan agar kadar
Gambar 2 Siklus Rankine (Temperatur) T vs (Entropy) S airnya tidak terlampau tinggi. Hal ini perlu diperhatikan
(Fritz, 1994)
60 GEMATEK JURNAL TEKNIK KOMPUTER, VOLUME 9 NOMOR 2, SEPTEMBER 2007
karena apabila kadar air dari uap di dalam tingkat akson untuk merubah dari hasil soma menjadi sebuah
tekanan rendah dari turbin melampaui ± 12 persen, sinyal keluaran dan sinapsis adalah bagian yang
maka selain efisiensi turbin berkurang juga mentransmisikan sinyal keluaran tersebut ke sel
menyebabkan erosi pada sudu. syaraf lainnya. Hubungan dari 4 komponen di atas
Salah satu usaha untuk menaikkan efisiensi digambarkan pada Gambar 3.
turbin adalah dengan jalan menaikkan tekanan uap
dan pemanasan ulang. Dengan pemanasan ulang
bukan saja dapat diperoleh efisiensi yang lebih baik,
tetapi juga merupakan usaha untuk menghindari
terjadinya uap keluar turbin dengan kadar air yang
terlampau tinggi.
dari masing-masing unit pada hidden layer (zj) dan menghitung bobot koreksi antara unit hidden
sehingga: dengan unit input, sehingga bobot koreksi ini dapat
dijumlahkan dengan bobot awal untuk mendapatkan
z j = f ( z _ inj ) (6)
bobot yang baru:
nilai output dari unit hidden ini didistribusikan pada ∆vij = αδ j x (14)
unit output sehingga: bobot biasnya:
p
∆voj = αδ j (15)
y _ ink = wok + ∑ z j w jk (7)
j =1 Tahap berikutnya merupakan pengaturan (up-
Keterangan: date) bobot. Bobot baru pada unit output:
w jk = bobot antara unit hidden ke-j dengan unit w jk (new)
= w jk (old)
+ ∆w jk
(16)
output ke-k sedangkan bobot baru pada unit hidden:
wok = bobot awal bias vij (new)
= v
ij (old)
+ ∆v ij
(17)
keluaran dari unit output merupakan jumlah seluruh Proses akan diakhiri dengan menghitung
masukan pada unit output (y_in k) dikali dengan fungsi kesalahan total:
aktifasinya, sehingga: E = 0.5 ∑ [tk
k − y k ]2 (18)
y k = f ( y _ ink ) (8)
Algoritma proses belajar jaringan Back Propa-
tahap ini disebut feedforward. gation secara garis besar adalah sebagai berikut:
Pada tahap propagasi balik akan dihitung nilai Langkah 1: (inisialisasi)
error dari output. Sehingga, bila output jaringan tidak Menentukan jumlah layer yang akan digunakan.
sesuai dengan output yang diinginkan (target) jaringan Menginisialisasi bobot terkoneksi secara random
akan menghitung error output yang besarnya: antara layer satu dengan layer berikutnya dalam
δ k = (t k − y k ) f ' ( y _ ink ) (9) suatu bilangan random yang kecil, menentukan
dan menghitung bobot koreksi antara unit output parameter α dan µ, serta menentukan nilai Emaks.
dengan unit hidden, sehingga bobot koreksi ini dapat Langkah 2: Menyiapkan data masukan dan output
dijumlahkan dengan bobot awal untuk mendapatkan yang diinginkan (target).
bobot yang baru. Nilai bobot koreksi tersebut adalah: Langkah 3: (forward)
∆w jk = αδ k z k (10) Menghitung semua nilai output pada hidden
dengan nilai bobot koreksi pada bias: layer zj untuk seluruh masukan dari unit input.
Menghitung nilai output pada output layer yk
∆wok = αδ k (11)
untuk semua masukan zj pada hidden layer.
nilai error pada unit hidden: Menyimpan hasil perhitungan dalam suatu lokasi
m tersendiri.
δ j = ∑ δ k f ' ( z _ inj ) (12)
k =1
Langkah 4: (mengukur output error)
dengan: Menghitung nilai error δ pada output layer dan
m
hidden layer.
δ _ inj = ∑ δ k w jk (13)
k =1 Menyimpan nilai eror δ
64 GEMATEK JURNAL TEKNIK KOMPUTER, VOLUME 9 NOMOR 2, SEPTEMBER 2007
Gambar 9 adalah hasil training JST plant yang Dari proses tersebut menghasilkan performansi
mempunyai performansi terbaik dan Gambar 10 terbaik pada momentum 0,9 dan learning rate 0,5.
adalah output JST plant.
2
10
0
10 1
10
-1
10
0
-2
10
10
-3
10 -1
10
-4
10
-2
10
-5
10
-6 -3
10 10
-7
10
0 100 200 300 400 500 600 700 800 -4
10
0 50 100 150 200 250 300 350 400 450
5 0 .1 2
da ta o u tp u t
ou tp ut JS T 10 0
o utpu t1
50.1
o utpu tJS T1
90
5 0 .0 8
80
5 0 .0 6
70
5 0 .0 4
5 0 .0 2
60
50 50
0 10 20 30 40 50 60 70 80 90 100
Analisa Performansi JST Kontroller Off line Gambar 12 Output (Flow Steam) JST Kontroller vs Real Plant
Simulasi pelatihan model JST kontroller pada
dasarnya sama dengan pelatihan JST plant hanya 410
output2
saja nilai input dan targetnya berbeda. Jika pelatihan outputJS T2
400
90
output1
o u tp u tJS T1
untuk parameter pelatihan learning rate 0,5 dan
80 momentum 0,9.
70
- Pelatihan online dengan menggunakan data JST
60
50
dengan parameter learning rate 0,9 dan momen-
40 tum 0,9. Error yang didapat adalah 0,000899902
30
20 RUJUKAN
10
Fausett, L. 1994. Fundamental of Neural
0
0 10 20 30 40 50 60 70 80 90 100
Network.Architecture, Algorithms, and Aplication.
New Jersey: Prentice Hall.
Gambar 15 Output JST Online vs Real Plant Fritz, D. 1994. Turbin Pompa dan Kompresso, Jakarta:
Airlangga.
Gunterus, F. 1994. Falsafah Dasar: Sistem Pengendalian
410
Proses, Jakarta: Elex Media Komputindo.
output 2
output JS T2
Karayaka, BH, et.al. 2001. Neural Network Based
400 Modeling of a Large Steam Turbine-Generator
Rotor Body Parameters From On-Line Disturbance
390
Data, IEEE Transactions on Energy Conversion,
Vol.16 No.4, December. pp. 305 – 311.
380
Nagrath, IJ, Konthari, DD. 1989. Modern Power System
370
Analisysis, India: Mc Graw Hill, nnd Edition.
Norgaard, R, and Poulsen, H. 1999. Neural Network for
360 Modelling and Control of Dynamic System.
London Berlin Heidelberg: Springer-Verlag.
350
340
0 10 20 30 40 50 60 70 80 90 100