Estimasi Terjadinya Gangguan Pada Sistem Tenaga
Menggunakan Adaptive Genetic Algorithm
Esa Figueroa Escoto, Fbio Bertequini Leo
Department of Electrical Engineering,
FEIS So Paulo State University
Ilha Solteira, Brazil
figueroaescoto@yahoo.es; bertequini@dee.feis.unesp.br
Abstrak - Makalah ini mengusulkan sebuah metodologi yang
didasarkan pada model pemrograman biner yang tidak
dibatasi (UBP) dan Algoritma Genetika Adaptif (AGA) untuk
memecahkan masalah estimasi gangguan pada sistem tenaga.
Model UBP diformulasikan dengan menggunakan
parsimonious set covering theory untuk menghubungkan
alarm fungsi relay pengaman yang diinformasikan oleh sistem
pengawasan dan akuisisi SCADA (supervisory control dan
akuisisi data) dan keadaan yang diharapkan dari fungsi relay
pengaman. AGA yang diusulkan hanya menggunakan dua
parameter kontrol dan memiliki rekombinasi dan mutasi
otomatis dan dikalibrasi secara dinamis berdasarkan
kejenuhan populasi saat ini, yang segera merespons
kemungkinan konvergensi prematur terhadap optima lokal.
Hasil uji untuk bagian sistem tenaga listrik Brasil Selatan
menunjukkan bahwa AGA menghadirkan ketahanan, efisiensi
dan waktu pemrosesan yang lebih sedikit dibandingkan
dengan metode lain yang sebelumnya dipublikasikan.
Kata kunci - Adaptive Algorithm Genetic, Fault Section
Estimation, Power System Protection, Protective Relaying.
I. PENDAHULUAN
Masalah estimasi ganguan pada sistem tenaga listrik
mengidentifikasi elemen atau bagian dari jaringan yang berada
dalam operasi abnormal dengan menggunakan fungsi alarm dari
relay proteksi dan circuit breakers. Karena ada banyak skenario
gangguan, karena sifat kombinatorial masalahnya, penting untuk
mengembangkan metodologi yang andal dan cepat untuk
memecahkan masalah.
Selama ini, banyak metode telah diterapkan pada masalah
estimasi gangguan menggunakan seperangkat alarm yang
diinformasikan oleh sistem SCADA. Metaheuristics telah menjadi
teknik optimasi yang banyak diterapkan karena kesederhanaan
pengkodean, performa bagus dan waktu pemrosesan yang dapat
diterima [1]. Artificial neural networks (ANN) telah digunakan
untuk memecahkan masalah ini dengan memiliki kelemahan untuk
melatih ANN menggunakan standar data yang ditentukan oleh
pengguna. Expert systems (ES) [3] adalah teknik yang
mengandung banyak elemen seperti pengetahuan tentang topologi
jaringan, kinerja jaringan dan database dinamis yang menyimpan
hipotesis resolusi kegagalan peralatan. The Immune algorithm
(IA) [4] yang didasarkan pada sistem imunologi tubuh manusia,
menyajikan kinerja yang sangat baik untuk ketahanan dan
kecepatan komputasi. IA memiliki kelemahan bahwa banyak
parameter kontrol harus dikalibrasi untuk mendapatkan hasil
terbaik. Akhirnya, algoritma genetika (GA) [4] - [6] adalah teknik
solusi yang paling banyak digunakan untuk mengatasi masalah ini.
Ini memiliki keuntungan konvergensi yang cepat meskipun karena
kejenuhan populasi selama proses pencarian mereka dapat
ditemukan sebelum waktunya dan mungkin menjebak secara
optimal lokal.
Dalam makalah ini, Adaptive Genetic Algorithm (AGA)
dirancang untuk memecahkan model unconstrained binary
programming (UBP) untuk masalah estimasi ganguan pada sistem
tenaga [4]. Model UBP didasarkan pada parsimonious covering
theory [4], untuk menghubungkan alarm fungsi relay pengaman
yang diinformasikan oleh sistem SCADA dan keadaan yang
diharapkan dari fungsi relay pengaman. Kondisi yang diharapkan
dari fungsi relay pelindung adalah seperangkat persamaan yang
mewakili secara logis keadaan relay yang diharapkan (diferensial,
jarak dan arus lebih) pada sistem dan dimodelkan berdasarkan
parsimonious covering theory yang digunakan oleh para ahli
dalam spesifikasi, selektivitas dan koordinasi proteksi [7].
Metodologi yang diusulkan diuji dengan menggunakan bagian
dari sistem tenaga listrik Brasil Selatan [4]. Hasilnya dibandingkan
dengan dua teknik solusi yang sebelumnya diterbitkan dalam
literatur [4].
Sisa dari makalah ini disusun sebagai berikut: Bagian II
menyajikan model matematis untuk memecahkan masalah
estimasi gangguan; Bagian III menjelaskan metode yang
diusulkan; Bagian IV membahas simulasi dan hasil dan bagian V
menarik kesimpulan.
II. MODEL MATEMATIKA UNTUK MEMECAHKAN
MASALAH ESTIMASI GANGGUAN
Penelitian ini menyajikan sebuah metodologi baru yang
menggabungkan model UBP dan AGA untuk memecahkan
masalah estimasi gangguan. Model matematis dijelaskan pada
bagian berikut.
A. Kondisi Yang Diharapkan Dari Fungsi Relay Pengaman
Model matematis sistem proteksi adalah satu set persamaan
dari keadaan yang diharapkan dari fungsi relay pengaman
(diferensial, jarak dan arus lebih) yang terletak pada gardu induk
sistem daya. Set persamaan ini dihasilkan dari persamaan generik
yang unik dengan mempertimbangkan: (1) topologi jaringan
listrik; (2) alarm relay dan keadaan circuit breakers yang
diinformasikan oleh sistem SCADA dan (3) filosofi pengaman
yang digunakan oleh ahli utilitas listrik [7].
Dengan mempertimbangkan logika aktuasi dari perangkat
pengaman dan kontrol yang dijelaskan dalam [4], model matematis
generik yang menetapkan logika aktuasi dari perangkat pelindung
dan kontrol yang berbeda dapat dinyatakan secara matematis
sebagai:

Nr Jumlah total relay;
ri(s,csc,rsc,b) Keadaan yang di harapkan dari relay ke i-th
sj Bagian sistem j-th (busbars, jalur transmisi
dan trafo).
csck Alarm circuit breaker k-th yang disediakan
oleh sistem SCADA. csck = 0 jika circuit
breaker ditutup dan csck = 1 sebaliknya;
rsct Alarm relay t-th yang diberikan oleh sistem
SCADA. rsct = 0 jika relaynya trip dan rsct =1
sebaliknya;
bh Sumber DC dari gardu h-th bh = 0 jika
sumber DC gagal dan bh = 1 sebaliknya;
ONE(x) ONE(x) = 1 jika x lebih besar atau sama
dengan 1, sebaliknya ONE(x) = 0;
MAX{} Nilai maksimum yang diekstraksi dari
kurung pada persamaan (1)
J Bagian yang dilindungi oleh relay i-th.
l Bagian dari circuit breakers yang terhubung
ke bagian j-th dan yang berdekatan;
h Bagian sumber DC dari relay i-th;
t Bagian pengaman utama dari bagian j-th.
B. Model Unconstrained Binary Programming (UBP)
Untuk pemodelan fungsi objektif dari masalah estimasi
gangguan, digunakan parsimonious set covering theory [1], [4],
[8], [9] yang memiliki poin penting untuk diperhatikan:
1. Solusinya harus mencakup alarm yang terinformasi.
2. Alarm yang diinformasikan konsisten dengan keadaan
yang diharapkan dari fungsi pelindung relay yang
dihitung untuk solusinya.
3. Solusi dengan jumlah minimum bagian kesalahan lebih
dipilih untuk menjelaskan terjadinya gangguan.
Oleh karena itu, fungsi objektifnya adalah sebagai berikut:
nb : jumlah total sumber DC dari sistem listrik.
ns : jumlah total bagian.
nf : jumlah total fungsi relay pengaman.
Istilah pertama di sisi kanan dalam (2) menunjukkan apakah
solusi mencakup atau tidak memberi informasi alarm untuk situasi
gangguan tertentu. Istilah ini nol bila solusinya benar-benar
mencakup alarm informasi. Jika tidak, istilah ini memberikan
kedekatan yang ada solusinya untuk menutupi alarm yang
diinformasikan.
Istilah kedua (2) menunjukkan ketidakkonsistenan dengan
alarm yang diinformasikan dan perkiraan fungsi proteksi relai yang
diharapkan. Oleh karena itu Ini dihitung dengan:
Alarm benar-benar konsisten dengan keadaan yang diharapkan
saat Ini = 0. Bila semua alarm dari situasi gangguan tertentu sesuai
dengan keadaan yang diharapkan, maka istilah kedua dalam (2)
adalah nol. Semakin dekat istilah ini adalah nol, semakin konsisten
alarmnya dengan keadaan yang diharapkan. Untuk masing-masing
fungsi, Coi dan Ini diperoleh dengan menggunakan aturan yang
disajikan pada Tabel I.
Istilah ketiga di sisi kanan (2) dimasukkan ke dalam fungsi
objektif untuk memenuhi persyaratan ketiga yang ditetapkan oleh
parsimonious covering theory.
Konstanta k1, k2 dan k3 adalah bilangan bulat, dan nilai yang
sesuai harus memenuhi kondisi: k1> k2> k3. Karena ini adalah
masalah minimisasi yang dipilih k1, k2 dan k3 untuk membuang
solusi pertama yang tidak mencakup alarm yang dilaporkan, dan
kedua solusi yang tidak sesuai dengan alarm yang dilaporkan [6],
[9].
III. ADAPTIVE GENETIC ALGORITHM
Adaptive Genetic Algorithm melakukan proses diagnosis
kesalahan dengan meminimalkan model UBP di setiap generasi.
Dalam proses minimisasi, solusi yang layak dihasilkan
berdasarkan parsimonious covering theory. Algoritma stop
criterion didasarkan pada jumlah generasi maksimum.
Rekombinasi dan mutasi secara otomatis dan dikalibrasi secara
dinamis di setiap generasi untuk mengeksploitasi masalah dengan
benar di seluruh ruang pencarian. Dengan karakteristik ini,
algoritma memiliki dua parameter kontrol untuk dikalibrasi:
jumlah individu dalam populasi dan jumlah generasi maksimum.
Tujuan AGA adalah bahwa operator, dari hasil metodologi,
dapat memulihkan sistem tanpa menyebabkan kerusakan pada
peralatan atau kerugian ekonomi pada utilitas listrik.
A. Usulan Pengkodean
Yang didefinisikan sebagai vektor biner yang mencakup
semua bagian sistem (bars, lines, trafo) dan sumber / baterai DC
(kontrol) sehingga ukuran vektor biner sama dengan jumlah total
bagian sistem, ditambah total jumlah sumber sistem proteksi DC.
Setiap bit vektor adalah status dari setiap bagian sistem, dan jika
bitnya 1 maka bagiannya gangguan dan 0 dalam kondisi normal.
Generasi populasi awal acak dan oleh karena itu dianggap bahwa
mungkin ada gangguan di manapun dalam sistem, dan AGA harus E. Mutasi
menyatu dengan solusi minimum. Mutasi yang digunakan adalah mutasi single point. Jenis
mutasi ini melibatkan pemilihan dan perubahan secara acak dari 0
sampai 1 atau sebaliknya bit/gen dari konfigurasi yang diberikan.
Pilih konfigurasi acak populasi; mutasi dilakukan jika angka acak
pada interval [0-1] lebih kecil dari laju mutasi. Jika tidak,
pertahankan konfigurasi aslinya. AGA yang diusulkan dirinci pada
B. Pemilihan gambar 2.
Pemilihan yang digunakan adalah seleksi turnamen, yang
menjadi tuan rumah permainan N, di mana N adalah ukuran
populasi. Teknik ini dipilih untuk tahap seleksi karena memiliki
kemampuan komputasi yang lebih rendah dibandingkan teknik
lain yang tersedia dalam literatur.
C. Perhitungan Diversifikasi, Perhitungan Rekombinasi dan
Mutasi
Karena bukti kejenuhan populasi dapat digunakan untuk
mengidentifikasi terjadinya konvergensi prematur, AGA yang
diusulkan memiliki fitur yang membedakan algoritma genetika
klasik dan yang membuat teknik AGA menjadi sangat kuat. Fitur
ini didasarkan pada keragaman populasi yang didasarkan pada
penggunaan tingkat keragaman populasi untuk secara dinamis
mengendalikan tingkat rekombinasi dan mutasi pada proses
evolusi algoritma. Tingkat diversifikasi dihitung dengan:

Div (q) : Tingkat persentase diversifikasi

Ceq : Jumlah maksimum konfigurasi yang sama
q : Counter dari jumlah generasi AGA
np : Ukuran populasi

Pendekatan ini menentukan keragaman persentase populasi

(persentase maksimum individu yang berbeda dibandingkan
dengan populasi) pada setiap generasi dengan menggunakan
persamaan (4). Dari parameter ini, rekombinasi dan mutasi secara
otomatis dikalibrasi secara dinamis berdasarkan saturasi populasi
generasi sekarang. Persamaan untuk tingkat rekombinasi dan
mutasi didefinisikan sebagai:

tr(q) : tingkat rekombinasi;

tm(q) : tingkat mutase;

D. Rekombinasi
Rekombinasi yang digunakan dalam AGA adalah rekombinasi
tunggal (single point crossing over). Untuk melakukan
rekombinasi, langkah-langkah berikut harus dilakukan: pertama,
dengan menggunakan seleksi turnamen pilih dua kandidat
konfigurasi untuk digabungkan; kemudian menghasilkan angka
acak pada interval [0-1]. Jika bilangan acak lebih kecil dari
rekombinasi, rekombinasi harus dilakukan.
 TABLE II. Simulations Performed Using Part Of The 230KV

C Input alarms from SCADA system Fault section estimation (providing by proposed methodology) Time x 10-2 s
a
s Relays Function(s) Opened circuit Solution Busbar(s) Line(s) Transformer(s) DC CB(s) Emin AGA IA GA
e breakers source(s) failure

1 DP3 6 1 C - JV 3,8,9 2 2 3 5

1 C L5 - CT 6,9 13 2 3 5

2 BP11, BP12 6,9,11,12 2 L3,L5 - CT 6,9 13 2 4 5

3 L4,L5 - CT 6,9 23 2 4 -

3 DP5,DP13,BP8BP19,OR2 8,12,13,19 1 E - TF1,TF2 - 11,14,29 13 2 4 5

,OR5

1 E L4 TF1 - - 23 2 4 7

2 - L4,L5 TF1,TF3,TF4 - - 85 2 4 -

3 - L4,L5 TF1,TF2,TF4 - - 85 2 4 -

4 - L4,L5 TF1,TF3,TF5 - - 85 2 4 -

5 - L4,L6 TF1,TF3,TF5 - - 85 2 4 -
4 6 - L4,L6 TF1,TF2,TF5 - 4
- - 85 -
MP8,MP11,BP6,BP16,BP19,O 6,8,11,16,19,28,29,3
7 - L4,L7 TF1,TF2,TF4 - - 85 - 4 -
R1,OR2,OR3, OR4 0,32
8 - L4,L7 TF1,TF3,TF4 - - 85 2 4 -

9 - L4,L7 TF1,TF2,TF5 - - 85 - 4 -

**10 - L4,L6 TF1,TF2,TF4 - - 85 2 - -

**11 E L4,L7 TF1,TF2 - - 75 2 - -

**12 E L4 TF1,TF3,TF4 - - 65 1 - -

**13 E L4 TF1,TF3 - - 55 1 - -

**14 E L4 TF1,TF5 - - 44 2 - -

**15 E L4,L5 TF1,TF5 - - 75 2 - -

1 E,H L7 - CT 14,20,40 34 2 4 5

2 E,H L7 TF5 CT 14,20,40 55 2 4 -

3 H L7 TF1,TF2.TF4 CT 14,20,40 86 2 4 -
DP8,MP14,BP16,BP19,BP21,B 16,19,21,25,28,29,3 4 H L7 TF1,TF3,TF4 CT 14,20,40 86 2 4 -
P21,BP25,OR1,OR2,OR3,OR9, 0,37,38,40,41,43,53
5 OR10 5 H L7 TF1,TF3,TF5 CT 14,20,40 86 2 4 -

6 H L7 TF1,TF2,TF5 CT 14,20,40 86 2 4 -

**7 E,H L7 TF1,TF3 CT 14,20,40 76 3 - -

**8 E,H L7 TF1,TF2 CT 14,20,40 76 2 - -

**9 E,H L7 TF1 CT 14,20,40 55 2 - -

IV. HASIL DAN PEMBAHASAN masing dari sepuluh kasus yang digunakan. Parameter yang
Bagian ini menyajikan hasil tes yang dilakukan dengan dikalibrasi untuk fungsi tujuan adalah k1 = 1000, k2 = 10, k3 = 1
metodologi yang diajukan yang diterapkan pada sistem Brasil dan parameter kontrol AGA adalah: jumlah populasi (np) = 100
Selatan [4]. Metodologi yang diusulkan untuk estimasi bagian dan jumlah generasi maksimum (ngmax) = 80.
kesalahan pada sistem transmisi daya diimplementasikan pada Pada kolom kedua terdapat fungsi relay proteksi yang
bahasa pemrograman C ++ dan simulasi dilakukan dengan mengirimkan sinyal ke circuit breakers yaitu: DP:
menggunakan PC dengan Intel Core i7, 2.2 GHz dan 12 GB RAM.
Sistem uji yang digunakan, diilustrasikan pada [4] adalah
bagian dari sistem transmisi listrik di Brasil selatan dengan jumlah
relay (nf) = 99, jumlah circuit breakers (ncb) = 55, jumlah baterai
(nb) = 5 dan jumlah bagian (ns) = 43. Sistem uji digunakan untuk
mengevaluasi kinerja AGA dan berbagai pengujian dilakukan
dengan membandingkan efisiensi komputasi AGA dengan GA dan
IA klasik yang disajikan pada [4]. Parameter diperoleh dengan
menggunakan kriteria bahwa algoritma memiliki waktu
pemrosesan terendah dan juga dijamin untuk semua uji ketahanan
dan efisiensi dalam larutan yang disajikan. Juga parameter kontrol
dikalibrasi sedemikian rupa sehingga metode tersebut dapat
mengestimasi bagian yang gangguan dengan benar untuk masing-
 TABLE III. AGA,GA,IA Performance After 1000 Simulations

c AGA IA GA
a
s Optimal Suboptimal Wrong Computational Optimal Suboptima Wrong Comput Optimal Suboptima Wrong Computational
e solution solution (%) solutions time (min) solution l solution solutions ational solution l solution solutions time (min)
(%) (%) (%) (%) (%) time (%) (%) (%)
(min)
1 100 - - 0.159167 100 - - 0.20133 100 - - 0.25156
2 94.5 5.5 - 0.180533 83.7 16.3 - 0.22188 100 - - 0.27748
3 100 - - 0.173483 100 - - 0.22790 93.9 - 6.1 0.26358
4 91.8 8.2 - 0.216250 91 9 - 0.23076 89.6 - 11.1 0.28220
5 84.9 15.1 - 0.202050 84.6 15.4 - 0.22120 100 - - 0.29160

fungsi diferensial, OR: fungsi arus lebih, dan proteksi jarak
MP: proteksi utama, BP: proteksi cadangan. Pada kolom keempat
dicantumkan solusi yang mungkin untuk setiap kasus. Menjadi
solusi pertama solusi optimal dari skenario gangguan dan berikut
adalah solusi suboptimal yang memiliki probabilitas paling sedikit
terjadi namun merupakan bagian dari hasil diagnostik. Kolom 5
sampai kolom 9 menyajikan solusi bagian kesalahan yang
diberikan oleh algoritma yang diusulkan.
Kolom kesepuluh adalah Emin, yang merupakan nilai dari
fungsi objektif model matematis yang disajikan pada Bagian 2.
Kolom sebelas, dua belas dan tiga belas berisi waktu pemrosesan
(dalam hitungan detik) untuk AGA, IA dan GA.
Dalam semua kasus, AGA mendapat waktu pemrosesan yang
lebih baik daripada metode lainnya. Solusi optimal (1) dari Tabel
II diperoleh dengan 3 algoritma (AGA, IA dan GA). Ini adalah
solusi optimal untuk setiap skenario gangguan. Kasus 2, 4, dan 5
memiliki solusi suboptimal yang hanya ditemukan AGA dan IA.
Solusi yang memiliki simbol (**) hanyalah solusi yang
ditemukan oleh AGA. Solusi suboptimal ini adalah solusi baru
untuk masalah ini dan menunjukkan keunggulan metode ini jika
dibandingkan dengan IA dan GA klasik.
Tabel III menunjukkan hasil statistik setelah menjalankan
1000 kali setiap algoritma. Dapat dilihat bahwa dalam kebanyakan
kasus AGA juga mendapatkan waktu pemrosesan lebih cepat dan
AGA memiliki persentase paking tinggi dari menemukan solusi
yang paling tepat.
V. KESIMPULAN
Adaptive Genetic Algorithm diusulkan untuk memecahkan
masalah estimasi gangguan dalam penelitian ini. Hasilnya
menunjukkan bahwa metodologi yang diusulkan menyajikan
efisiensi, ketahanan dan kecepatan komputasi. AGA lebih unggul
dari genetic algorithm dan immune algorithm yang diusulkan
sebelumnya dalam hal kemampuan memperoleh solusi baru dan
lebih suboptimal serta waktu pemrosesan yang diperlukan untuk
estimasi gangguan. Keuntungan AGA yang sangat baik
dibandingkan metode lainnya adalah algoritma tersebut hanya
memiliki dua parameter kontrol untuk disesuaikan dan superioritas
algoritma adalah karena rekombinasi dan mutasi secara otomatis
dan dinamis dikalibrasi berdasarkan kejenuhan populasi saat ini.
Karena itu, AGA bisa menjadi teknik yang ampuh untuk
memperkirakan gangguan dari alarm yang dilaporkan oleh
perangkat pengaman di pusat kontrol modern.
PENGAKUAN
Penulis mengakui dukungan finansial dari Coordination for the
Improvement of Higher Education Personnel (CAPES) - Brasil.
REFERENSI
[1] F. Wen and C. S. Chang, A tabu search approach to
fault section estimation in power systems, Electr.
Power Syst. Res., vol. 40, no. 1, pp. 6373, 1997.
[2] Z. E. Aygen, S. Seker, M. Bagnyanik, F. G. Bagnyanik,
and E. Ayaz, Fault section estimation in electrical
power systems usingartificial neural network
approach, 1999 IEEE Transm. Distrib. Conf. (Cat. No.
99CH36333), vol. 2, pp. 466469, 1999.
[3] H. J. Lee, B. S. Ahn, and Y. M. Park, A fault
diagnosis expert system for distribution substations,
IEEE Trans. Power Deliv., vol. 15, no. 1, pp. 9297,
2000.
[4] F. B. Leo, R. a. F. Pereira, and J. R. S. Mantovani,
Fault section estdlimation in electric power systems
using an optimization immune algorithm, Electr.
Power Syst. Res., vol. 80, no. 11, pp. 13411352, 2010.
[5] F. Wen and Z. Han, Fault section estimation in power
systems using a genetic algorithm, Electr. Power Syst.
Res., vol. 34, no. 3, pp. 165172, 1995.
[6] F. B. Leao, L. G. W. da Silva, and J. R. S. Mantovani,
Defects location in power systems components
through a dedicated genetic algorithm, in 2004
IEEE/PES Transmision and Distribution Conference
and Exposition: Latin America (IEEE Cat. No.
04EX956), pp. 5762.
[7] P. M. Anderson, Power system protection, IEEE Press
Ser. Power Eng., p. 1330, 1998.
[8] Y. Peng and J. A. Reggia, Abductive Inference Models
for Diagnostic Problem-Solving. New York, NY:
Springer New York, 1990.
[9] F. S. Wen and C. S. Chang, Probabilistic approach for
fault- section estimation in power systems based on a
refined genetic algorithm, IEE Proc. - Gener. Transm.
Distrib., vol. 144, no. 2, p. 160, 1997.