Anda di halaman 1dari 4

Paper ID : 125

Optimisasi Pengaturan Frekuensi Sistem Interarea Menggunakan


Algoritma Particle Swarm Optimization (PSO) dan Ant Colony
Optimization (ACO)
Benny Prastikha Hadhi, Herlambang Setiadi, Imam Robandi
123)

Jurusan Teknik Elektro ITS, Surabaya 60111.


Email: 1)benny.p.hd@gmail.com

Abstrak - Perubahan beban suatu sistem kelistrikan


sering kali terjadi secara tiba sehingga respon
governor sering terlambat mengikuti perubahan ini.
Hal ini mengakibatkan frekuensi dan tegangan sistem
berubah-ubah. Pada sistem tenaga listrik multiarea,
mesin-mesin bekerja secara sinkron sehingga
generator harus bekerja pada frekuensi yang sama.
Osilasi frekuensi memungkinkan kinerja generator
menjadi tidak stabil, bahkan mampu mengakibatkan
generator terputus dari jaringan. Salah satu metode
untuk mengurangi osilasi frekuensi adalah pengaturan
frekuensi beban yang disebut Load Frequency Control
(LFC). Pada paper ini dijelaskan tentang
perbandingan performa beberapa algoritma dalam
menentukan parameter-parameter pada kontoler
Proportional-Integral-Derivative
(PID)
yang
dikoordinasikan pada LFC untuk memperoleh kondisi
yang optimal. Algoritma-algoritma yang digunakan
adalah Particle Swarm Optimization (PSO) dan Ant
Colony Optimization (ACO). Pada hasil simulasi
diperoleh bahwa parameter PID yang dioptimisasi
dengan algoritma PSO mempunyai overshoot sebesar 0,008132 x 10-3
p.u., sedangkan dengan ACO
mempunyai overshoot -0,007737 x 10-3 p.u. Pada
settling time, PSO dan ACO mencapai hasil yang
sama, yaitu 4,7 detik.
Kata kunci : LFC, PID, PSO,ACO

I.

Derivative (PID). Kemudian parameter-parameter


pada PID dioptimisasi menggunakan algoritma PSO
dan ACO.
II.

2.1 LFC Sistem Tenaga Listrik Dua Area


Pada penelitian ini digunakan pemodelan sistem
LFC dua area Hadi Saadat [Hal. 547]. Pemodelan
sistem dapat dilihat pada gambar berikut.
Area 1

f1

Area 2

f 2

1
2H 2 s D2

1
2H1s D1

Ptie

PL1

PL 2

Pm1
1
1 TT 1 s

1
R1

PENDAHULUAN

Pada sistem kelistrikan multiarea, pembagian


beban dan pengaturan frekuensi merupakan hal yang
sangat penting. Perubahan beban sering kali terjadi
secara tiba-tiba sehingga governor tidak mampu
memberikan respon dengan cepat. Keterlambatan ini
dapat mengakibatkan adanya osilasi frekuensi pada
generator. Osilasi frekuensi pada suatu generator dapat
menyebabkan generator tidak stabil, bahkan dapat
terputus dari jaringan interkoneksi. Oleh karena itu
diperlukan pengaturan frekuensi beban yang disebut
Load Frequency Control (LFC).
Agar kinerja LFC lebih baik, perlu ditambahkan
kontroler dalam sistemnya. Kontroler yang digunakan
pada penelitian ini adalah Proportional-Integral-

DASAR TEORI

Y1

Pm2
1
1 TT 2 s

Y2

1
1 sTg1

1
1 sTg 2

Preef1

Preef 2

Gambar 1. LFC Sistem 2 Area Hadi Saadat [1,2]

Keterangan,
H1 = Momen Inersia Area 1
H2 = Momen Inersia Area 2
D1 = Load dumping Area 1
D2 = Load dumping Area 2
TT1 = Konstatanta Waktu Turbin Area 1
TT2 = Konstatanta Waktu Turbin Area 2
Tg1 = Konstanta Waktu Governor Area 1
Tg2 = Konstanta Waktu Governor Area 2
R1 = Speed Drop Area 1
R2 = Speed Drop Area 2
T
= Konstatanta Sinkronisasi Antar Area

120

1
R2

akan berubah haluan menuju particle yang lebih baik


tersebut. Proses ini akan terus berlangsung hingga
semua particle memperoleh posisi terbaik bersamasama. Kecepatan pergerakan tiap particle dirumuskan
dengan persamaan (1.1). Dan jarak perpindahan
particle dari posisi awal menuju particle terbaik
didefinisikan dengan persamaan (1.2). [5]
k 1
k
k
vi vi c1r1 ( Pbesti xi ) c2 r2 (Gbest xi ) (1.1)

f1 = Perubahan Frekuensi Area 1


f2 = Perubahan Frekuensi Area 2
PG1 = Perubahan Level kutub Area 1
PG2 = Perubahan Level kutub Area 2
PM1 = Perubahan daya mekanik Area 1
PM2 = Perubahan daya mekanik Area 2
Ptie = Perubahan Transfer Daya antar Area
Tabel 1 Parameter Sistem [1,2]

Area
Speed Drop (R)
Damping Constant (D)
Inertia Constant (H)
Base Power (MVA)
Governor Time Constant (Tg)
Turbine Time Constant (Tt)

1
0.05
0.6
5
1000
0.2
0.5

2
0.0625
0.9
4
1000
0.3
0.6

2.2 Kontroler PID


Kontroler
Proportional-Integral-Differential
(PID) adalah salah satu kontroler yang sampai saat ini
masih banyak digunakan pada bidang industri. Hal ini
disebabkan oleh penggunaanya yang mudah dan dapat
meningkatkan performansi sistem dengan baik secara
cepat.
Keluaran kontroler PID merupakan jumlahan
dari keluaran kontroler proporsional, keluaran
kontroler integral dan keluaran kontroler diferensial.
Pemodelannya dapat dilihat pada gambar berikut.
[3,4]

xi

k 1

xi vi

k 1

(1.2)

Keterangan,
i
= particle kek
= jumlah iterasi
c1 dan c2 = konstanta
Pbest
= posisi terbaik yang pernah dicapai tiap
particle
Gbest = posisi terbaik yang yang dicapai tiap iterasi
r1 dan r2 = angka random

Kp

1
K p e t dt
Ti

K p Td

de t
dt

Gambar 2. Diagram blok kontroler PID [3,4]

2.3. Particle Swarm Optimization (PSO)


Particle
Swarm
Optimization
(PSO)
diperkenalkan oleh Kennedy dan Eberhard pada tahun
1995. Algoritma ini terinspirasi dari kebiasaan sebuah
populasi burung maupun ikan dalam mencari makanan
terbaik. Pada PSO, populasi burung maupun ikan
disebut swarm. Sedangkan tiap individu burung
maupun ikan disebut particle. Posisi makanan terbaik
yang dicapai populasi tersebut merepresentasikan nilai
optimal yang dicari algoritma PSO.
Ketika suatu particle menemukan posisi terbaik, maka
particle lainnya akan bergerak menuju pada particle
dengan nilai terbaik tersebut. Namun ketika terdapat
particle lain yang menemukan posisi yang lebih baik
dari particle terbaik pertama, maka semua particle

121

Gambar 3. Flowchart PSO untuk optimisasi parameterparameter PID [5]

2.4. Ant Colony Optimization (ACO)


Ant colony optimization (ACO) merupakan
algoritma yang terinspirasi dari pola kebiasaan semut
mencari jalur terpendek antara sarang dan makanan
dalam mencari makanan untuk menentukan nilai yang
optimal dari suatu permasalahan optimisasi. ACO
pertama kali diperkenalkan oleh Marco Dorigo sekitar

tahun 1990.
Cara kerja ACO adalah sebagai berikut. Pertama,
sejumlah m semut ditempatkan pada sejumlah n kota
berdasarkan aturan inisialisasi. Setiap semut membuat
sebuah tour dengan menggunakan aturan transisi
status secara berulang-ulang. Aturan transisi status
dapat dijelaskan pada formula berikut.

arg maxuJ k {[iu(t)][iu(t)] }


l
j J

PiJk

,jika q q0
,jika lainnya

(2.1)

[iu(t)][iu t ]

[ (t)][ t ]
il

il

lJ lk

(2.2)

Keterangan,
= feromon
= inverse dari jarak antara dua kota
q = sebuah variabel acak yang terdistribusi secara
seragam pada rentang nilai [0,1],
q0 = sebuah parameter yang dapat diatur pada
interval [0,1]
J = sebuah list kandidat dan dipilih berdasar
persamaan (2.2)
Pada saat membangun tour, seekor semut juga
memodifikasi jumlah feromon pada jalur yang
dilewatinya dengan menggunakan aturan pembaruan
feromon lokal.
ij(t) (1 )ij(t 1 ) 0
Keterangan,

= konstanta evaporasi (penguapan)


0
= inisiasi nilai feromon awal

(2.3)

Setelah semua semut mengakhiri tour mereka, jumlah


feromon yang ada pada jalur dimodifikasi kembali
(dengan menerapkan aturan pembaruan feromon
global).

ij (t) ( 1 ) ij (t 1 )

Lbest

Gambar 4. Flowchart ACO [3]

III. SIMULASI AND HASIL


Dalam penelitian ini, parameter-parameter PID
(Kp, Ki, dan Kd) pada LFC, dioptimisasi dengan
algoritma PSO maupun ACO menggunakan simulasi
pada software MATLAB. Simulasi dilakukan dengan
rentang daerah pencarian yang sama untuk kedua
algoritma tersebut, yaitu Kp = [9,12]; Ki = [5,12]; Kd
= [4,8]. Selain itu, simulasi dilakukan dalam jumlah
iterasi yang sama, 30 iterasi. Untuk menguji kinerja
sistem, pada area 1 diberikan gangguan perubahan
beban sebesar 0,1 p.u.
Berikut ini adalah perbandingan hasil simulasi
software MATLAB. Pada gambar 5 dan 6 adalah
grafik konvergensi tiap algoritma.

(2.4)

Keterangan,

= konstanta evaporasi (penguapan)


0
= inisiasi nilai feromon awal
Lbest = tour terbaik
Dalam membuat tour, semut dipengaruhi oleh
informasi feromon. Sebuah jalur dengan jumlah
feromon yang tinggi merupakan pilihan yang paling
banyak dituju. Kedua aturan pembaruan feromon itu
dirancang untuk memperbanyak jumlah pada jalur
yang paling banyak mereka lewati.[3]

Gambar 5. Grafik konvergensi algoritma PSO

122

Tabel 4. Data respon perubahan frekuensi interarea dengan


perubahan beban 0.1 pu yang dioptimisasi oleh ACO

Gambar 6. Grafik konvergensi algoritma ACO

Dari gambar diatas, dapat dilihat bahwa PSO


mencapai nilai objektif terbaik pada iterasi ke 14,
sedangkan pada ACO tercapai pada iterasi ke 3.
Sehingga dapat disimpulkan bahwa ACO lebih cepat
menemukan nilai objektif terbaik (parameter Kp, Ki,
Kd) daripada PSO.
Pada tabel 2 merupakan nilai parameter-parameter
PID yang dioptimisasi oleh algoritma PSO dan ACO.
Tabel 2. nilai optimisasi PSO dan ACO

Algoritma
PSO
ACO

KP
9.0533
10.1626

KI
11.7455
9.1397

KD
4.0737
5.0376

Kemudian setelah nilai dari parameter-parameter


tersebut dimasukkan ke dalam plant, diperolehkan
hasil seperti berikut

Overshoot (pu)
Settling Time (detik)

-0,007737 x 10-3
4,7

Dari hasil yang diperoleh, sistem yang dioptimisasi


dengan algoritma PSO mempunyai overshoot sebesar
-0,008132 x 10-3 p.u., sedangkan ACO mempunyai
overshoot -0,007737 x 10-3 p.u. Untuk settling time,
PSO dan ACO mencapai hasil yang sama, yaitu 4,7
detik.
IV.
SIMPULAN
Dari hasil simulasi diperoleh bahwa sistem interarea
dengan kontroler PID yang dioptimisasi oleh
algoritma ACO mempunyai overshoot -0,007737 x
10-3 p.u. dan settling time 4,7 detik. Sedangkan PSO
memperoleh overshoot -0,008132 x 10-3 p.u. dan .
settling time 4,7 detik pada sistem yang sama.
Sehingga dapat disimpulkan bahwa algoritma ACO
mempu memperoleh hasil yang lebih baik daripada
PSO pada sistem dua area Hadi Saadat [Hal. 547].
DAFTAR PUSTAKA

Gambar 7. Respon perubahan frekuensi inter area dengan


perubahan beban 0.1 pu yang dioptimisasi oleh PSO
Tabel 3. Data respon perubahan frekuensi interarea dengan
perubahan beban 0.1 pu yang dioptimisasi oleh PSO

Overshoot (pu)
Settling Time (detik)

-0,008132 x 10-3
4,7

123

[1] Imam Robandi, Desain Sistem Tenaga


Modern, Penerbit ANDI, Yogyakarta, 2006
[2] Hadi Saadat,Power System Analysis 2nd
Edition, McGrowHill, 2004.
[3] Miftakhur Roziq M.D, Optimal Coordination of
PID Controler and Capasitive Energy Storage
(CES) for Load Frequency Control (LFC) Using
Ant Colony Optimization (ACO), Tugas Akhir,
Teknik Elektro, Institut Teknologi Sepuluh
Nopember, Surabaya, Indonesia 2011.
[4] Herlambang Setiadi, Wendy Kurniawan Kautsar,
Akbar Swandaru, Imam Robandi Optimal
Tunning PID Controler for Inter Area Using
Imperialist
Competitive
Algorthm(ICA),
Proceedings of Internasional Seminar on Applied
Technology, Scince, and Arts(3rd APTECS),
Surabaya, 2011
[5] A. M. Benie Zakariya I, Stephan, Fachrudin,
Imam Robandi Optimal Performance of WindDiesel Hybrid Power System (WDHPS) on
Isolated Area with Superconducting Magnetic
Energy Storage (SMES) using Particle Swarm
Optimization
(PSO),
Proceedings
of
Internasional Seminar on Applied Technology,
Scince, and Arts(2nd APTECS), Surabaya, 2010