Jurnal Penelitian Teknik Elektro dan Teknologi Informasi
_______________________________________________________________________________
OPTIMASI PENJADWALAN
PEMBANGKIT TERMAL DENGAN
SISTEM PENYIMPANAN ENERGI
MENGGUNAKAN ALGORITMA
GENETIKA
Nizar Rizky R.1, Sarjiya2, M. Isnaeni B. S.3
Abstract— Recently, utilization of energy storage
system in power system operation is necessary to reduce
total operation cost. But, because it also increse the
complexity of the unit commitment problem, it is
necessary to develop an effective method to obtain
minimum total cost. Researches have been done using
priority list method. Genetic algorithm is known to be
able to obtain near-optimal solution of higher complexity
problems. The method proposed in this paper use genetic
algorithm to solve the unit commitment problem with
battery included. The simulation result shows that there
is a reduction in the total operation cost with battery unit
included. Moreover, results obtained by using the
proposed method proofed to be better then results
obtained by using the method of the previous research.
Intisari— Dewasa ini, penggunaan baterai dalam
operasi sistem tenaga listrik sangat penting untuk
mengurangi biaya total pembangkitan. Namun,
penambahan baterai pada sistem menambah
kompleksitas permasalahan penjadwalan, sehingga
diperlukan metode yang efektif agar memperoleh biaya
yang optimal. Penelitian yang sudah ada menggunakan
metode priority list untuk menyelesaikan masalah
penjadwalan. Algoritma genetika dikenal mampu
menyelesaikan masalah dengan tingkat kompleksitas
yang tinggi. Penelitian ini menggunakan algoritma
genetika untuk menyelesaikan permasalahan
penjadwalan pembangkit termal dengan melibatkan
baterai. Dari hasil simulasi yang dijalankan, biaya total
pembangkitan setelah penambahan unit baterai lebih
rendah daripada penjadwalan tanpa melibatkan unit
baterai. Hasil dari metode yang diajukan ini juga lebih
rendah daripada hasil dari metode yang digunakan pada
penelititan sebelumnya.
Kata Kunci— penjadwalan, pembangkit termal, baterai,
algoritma genetika
1
Mahasiswa Jurusan Teknik Elektro dan Teknologi
Informasi Universitas Gadjah Mada, Jl. Grafika No. 2,
Yogyakarta 55284, INDONESIA (e-mail:
nizar_te08@mail.ugm.ac.id)
2, 3 Dosen Jurusan Teknik Elektro dan Teknologi
Informasi Universitas Gadjah Mada, Jl. Grafika No. 2,
Yogyakarta 55284, INDONESIA
Volume 1 Nomor 1, April 2014
_______________________________________________________________________________
I. PENDAHULUAN
Salah satu bagian penting dari sistem tenaga listrik
adalah operasi sistem tenaga listrik. yang mencakup
tentang bagaimana daya listrik dibangkitkan kemudian
dikirimkan kepada konsumen. Masalah yang ditemui
dalam operasi sistem tenaga listrik mencakup
pembangkit, saluran transmisi, saluran distribusi,
hingga beban itu sendiri.
Agar dapat berjalan dengan baik, suatu sistem yang
terdiri dari banyak pembangkit harus dapat melakukan
koordinasi antar pembangkit dengan baik dalam
merespon perubahan beban. Oleh karena itu, hubungan
antar komponen tersebut harus diatur agar dapat
bekerja sama mendukung berjalannya sebuah sistem
tenaga listrik.
Salah satu strategi untuk mengoperasikan sistem
tenaga listrik sesuai dengan tujuan operasi sistem
tenaga listrik adalah dengan melakukan penjadwalan
unit pembangkit atau unit commitment (UC). UC
merupakan penentuan kombinasi unit-unit pembangkit
yang tersedia dengan mengatur daya yang
dibangkitkan oleh masing-masing unit pembangkit
sehingga diperoleh biaya operasi total yang minimum
tanpa melanggar kekangan sistem dan kekangan unit
pembangkit pada suatu periode tertentu. Sejumlah
variabel diskret (status on/off pembangkit), dan
variabel kontinu (daya keluaran pembangkit tiap
jamnya) dibutuhkan untuk diselesaikan dalam
permasalahan UC. Oleh karena itu, UC termasuk salah
satu masalah optimisasi paling kompleks karena
dimensinya yang tinggi dan ketidak-linearnya [1].
Dari studi literatur yang dilakukan, ada berbagai
macam teknik optimisasi yang dilakukan untuk
menyelesaikan permasalahan UC untuk mendapatkan
solusi yang efisien dan mendekati optimal seperti
particle swarm optimization [1], extended priority list
[2], [3] Lagrangian relaxation [4], algoritma genetika
[5], [6], [7], artificial neural network [8], dynamic
programming [9], dan mixed integer [10], [11].
Belakangan ini, berbagai macam perkembangan
dalam bidang teknik telah ditemukan dengan
menitikberatkan pada peningkatan efisiensi
penggunaan energi. Sistem penyimpanan energi
39
 Artikel Reguler
_____________________________________________________________________________
merupakan salah satu yang paling penting [3]. Untuk
mendapatkan biaya yang minimal, perlu dilakukan
pengoptimalan pada operasi sistem penyimpanan
energi tersebut. Oleh karena itu, penyelesaian
permaasalahan UC dengan melibatkan unit
penyimpanan energi menjadi penting.
Penelitian ini bertujuan untuk mengetahui
penjadwalan pembangkit paling optimal dalam sistem
yang terdiri dari 10 unit pembangkit termal dan satu
unit baterai serta kebutuhan beban yang sudah
diprediksi [3]. Untuk menyelesaikan permasalahan UC,
digunakan metode algoritma genetika (AG) seperti
pada [6]. Diagram sistem yang digunakan pada
penelitian ini ditunjukkan oleh Gbr. 1.
Gbr. 1 Diagram sistem yang digunakan dalam penelitian
II. FORMULASI PERMASALAHAN
A. Notasi
Notasi yang digunakan dalam makalah ini adalah:
N total unit pembangkit termal
t_max total waktu periode penjadwalan (jam)
i indeks unit pembangkit (1, 2, ..., N)
t indeks waktu (1, 2, ..., t_max)
daya yang dibangkitkan unit i pada
waktu t
biaya start-up unit i pada waktu t
kondisi unit i pada waktu t (1=ON,
0=OFF)
biaya start-up dingin unit i
biaya start-up panas unit i
lama kondisi off pembangkit unit i
lama kondisi on pembangkit unit i
minimum down time unit i
minimum up time unit i
waktu dingin (cold time) unit i
kebutuhan daya beban pada waktu t
daya baterai pada waktu t
daya maksimal unit pembangkit i
daya maksimal unit pembangkit i
cadangan berputar pada waktu t
ramp-up limit unit i
ramp-down limit unit i
SOC baterai pada waktu t
SOC minimal baterai
SOC maksimal baterai
40
_______________________________________________________________________________
SOC baterai pada awal periode
penjadwalan
daya maksimal inverter
daya pengisian baterai pada waktu t
daya pengosongan baterai pada waktu t
efisiensi pengisian baterai
B. Formulasi
1) Fungsi Objektif
Tujuan penjadwalan unit-unit pembangkit dalam
sistem tenaga listrik adalah meminimalkan biaya total
produksi yang terdiri atas biaya bahan bakar dan biaya
start-up unit pembangkit termal dalam periode yang
ditentukan. Fungsi objektif dari penjadwalan
pembangkit adalah
(1)
Pada umumnya, biaya bahan bakar tiap unit pada
waktu tertentu , , adalah fungsi dari daya keluaran
unit pembangkit. Fungsi biaya yang sering digunakan adalah
(2)
dengan a, b, dan c, merupakan koefisien biaya bahan
bakar unit tersebut.
Biaya start-up bergantung dari lama matinya unit
pembangkit tersebut sebelumnya. Fungsi biaya start-
up pada penelitian ini disederhanakan dengan fungsi
anak tangga yaitu
(3)
2) Kekangan
Permasalahan penjadwalan pembangkit yang telah
dijelaskan sebelumnya dibatasi oleh berbagai
kekangan operasi seperti yang dijabarkan berikut ini.
a. Keseimbangan daya aktif
Daya yang dibangkitkan oleh unit pembangkit
termal dan dari proses charging/discharging
baterai harus sesuai dengan permintaan beban
(4)
dengan daya baterai bernilai positif saat sedang
dalam proses pengisian, dan bernilai negatif
saat dalam proses pengosongan [3]. Baterai
dianggap sebagai beban negatif.
b. Cadangan berputar
Keberadaan cadangan berputar dalam
penjadwalan pembangkit dimaksudkan untuk
menjamin keandalan operasi sistem tenaga
listrik dari berbagai kemungkinan gangguan
yang muncul terhadap sistem
(5)
Volume 1 Nomor 1, April 2014
Jurnal Penelitian Teknik Elektro dan Teknologi Informasi
_______________________________________________________________________________
dengan SR pada waktu tertentu adalah sebesar
10% dari total daya yang dibangkitkan
pembangkit termal [3].
(6)
c. Daya mampu netto
Setiap pembangkit memiliki karakteristik
masing-masing, termasuk daya minimal dan
maksimal yang mampu dibangkitkan
(7)
d. Minimum up and down time
Salah satu karakteristik dari unit pembangkit
termal adalah tidak dapat dinyalakan atau
dimatikan seketika. Waktu nyala dan mati
pembangkit harus memenuhi
(8)
(9)
e. Ramping rate limit
Penambahan maupun pengurangan keluaran
daya pada rentang waktu tertentu harus
memenuhi batasan kenaikan dan penurunan
daya [1], [3], [8], yaitu
(10)
(11)
f. Batas penyimpanan energi baterai
Kemampuan penyimpanan energi pada baterai
nilainya tergantung dari kapasitas dan jenis
masing-masing baterai [3], [10]. Energi yang
disimpan oleh baterai pada waktu tertentu harus
memenuhi
(12)
g. Laju pengisian dan pengosongan baterai
Laju maksimal pengisian dan pengosongan
baterai pada waktu tertentu bergantung dari
karakteristik baterai dan kapasitas maksimal
inverter
(13)
baik pada waktu pengisian maupun pada waktu
pengosongan [3], [10].
Daya dari sistem yang masuk saat pengisian
baterai tidak bisa sepenuhnya disimpan oleh
baterai, sebab terjadi kehilangan daya yang
terjadi pada saat pengisian baterai [3], yaitu
(14)
Sedangkan pada saat pengosongan,
diasumsikan bahwa daya yang dikeluarkan oleh
baterai dapat diterima seluruhnya oleh sistem
[3], yaitu
(15)
Volume 1 Nomor 1, April 2014
_______________________________________________________________________________
h. Energi awal baterai
Pada awal periode penjadwalan, baterai telah
memiliki energi yang tersimpan di dalamnya
sebesar persentasi tertentu dari kapasitas
maksimalnya [3]. Pada penelitian ini, besar
energi awal baterai adalah 20% dari kapasitas
maksimalnya
(16)
III. METODE YANG DIAJUKAN
Alur dari metode yang diajukan ditunjukkan pada
Gbr. 2. Permasalahan UC diselesaikan dengan
menggunakan AG. AG dikenal dapat menghasilkan
solusi mendekati optimal untuk permaslahan UC.
Namun, dengan AG semata, ditemukan kesulitan untuk
mendapatkan solusi yang cukup baik, sehingga
diperlukan adanya operator tambahan selain operator-
operator standar yang ada pada AG [6].
A. Penjadwalan Unit Pembangkit Termal
Penjadwalan unit pembangkit termal dilakukan
dengan menggunakan AG. Untuk menyelesaikan
permasalahan UC dengan menggunakan AG,
digunakan pemodelan individu dengan representasi
biner. Dengan menganggap bahwa pada tiap waktu,
suatu unit bisa dalam kondisi on maupun off, maka
untuk UC dengan 10 unit pembangkit dan 24 jam
periode penjadwalan, maka dibutuhkan 240 bit pada
tiap individu yang mewakili suatu solusi permasalahan,
seperti yang ditunjukkan pada Gbr. 3.
Mulai
Cari solusi UC
menggunakan AG
Lakukan dispatch
daya
Terapkan algoritma
operasi unit baterai
Lakukan dispatch
daya setelah
melibatkan unit
baterai
Selesai
Gbr. 2 Diagram alir metode yang diajukan
Ruang pencarian yang dihasilkan sangatlah luas.
Dalam kasus di atas, individu dengan panjang 240 bit,
menghasilkan 2240 atau sekitar solusi yang
berbeda. Selain itu, karena banyaknya kekangan yang
digunakan, maka banyak solusi yang tidak bisa
digunakan sebab tidak memnuhi kekangan yang ada.
Hal ini menambah kompleksitas permasalahan UC.
Walaupun AG dikenal dapat menemukan solusi yang
mendekati optimal, dengan tingkat kompleksitas yang
tinggi, tetap akan sulit menemukan solusi optimal
dengan metode AG biasa. Oleh karena itu, digunakan
beberapa operator tambahan dalam AG yang
digunakan. Alur AG yang digunakan dapat dilihat pada
Gbr. 4.
41
 Artikel Reguler
_____________________________________________________________________________
Gbr. 3 Contoh individu dalam representasi biner
Populasi awal dibentuk secara acak. Namun,
karena luasnya ruang pencarian yang ada, maka
dilakukan penyesuaian kekangan minimum up and
down time pada setiap individu pada populasi awal
untuk memudahkan pencarian solusi oleh AG. Bila ada
kondisi pada suatu individu yang melanggar kekangan
tersebut, kondisi tersebut diubah agar memenuhi
kekangan. Dengan begitu, diperoleh solusi-solusi yang
tidak melanggar kekangan minimum up and down time.
Selanjutnya, tiap individu dievaluasi kelayakannya
berdasarkan nilai fungsi objektif pada persamaan (1)
dari solusi yang diwakilinya. Tiap unit pada tiap
jamnya akan diperiksa pemenuhannya terhadap
kekangan sistem, dan kekangan munumum up and
down time. Tiap pelanggaran terhadap kekangan akan
dicatat pada suatu variabel yang bernama pen_count.
Proses ELD hanya dilakukan pada individu yang
tidak melanggar kekangan sama sekali. Sedangkan
untuk individu yang melanggar kekangan, dikenakan
penalti tanpa dilakukan proses ELD. Proses ELD ini
dilakukan dengan mempertimbangkan kekangan daya
pembangkit dan ramping limit seperti pada persamaan
(7), (10), dan (11).
Mulai
i=1
Membangkitkan
populasi awal
Lakukan penyesuaian kekangan
minimum up and down time
Evaluasi solusi yang diwakili tiap individu
Hitung nilai fitness
Seleksi individu
Penerapan operator tambaahan
i+1
Tidak
i > max generasi
Ya
Selesai
Gbr. 4 Diagram alir AG yang digunakan
Biaya start-up dan biaya bahan bakar diperoleh
dari proses ELD di atas. Sebagai kompensasi individu
yang melanggar kekangan, jumlah pelanggaran akan
dikalikan dengan nilai penalti yang telah ditentukan
sebelumnya, untuk ditambahkan pada komponen biaya
total. Dengan begitu, individu yang melanggar
kekangan, akan menghasilkan biaya total yang lebih
besar daripada individu yang tidak melanggar
kekangan, sehingga kemungkinannya untuk diteruskan
ke generasi selanjutnya lebih kecil.
Nilai fitness dihitung dengan penskalaan linier
untuk selanjutnya digunakan pada proses seleksi.
42
_______________________________________________________________________________
Proses seleksi diawali dengan elitisme, yaitu
penyalinan individu terbaik pada populasi ke generasi
selanjutnya. Hal ini dilakukan untuk memastikan agar
solusi terbaik tidak hilang akibat proses seleksi.
Individu yang akan mewariskan keturunannya ke
generasi selanjutnya dipilih berdasarkan nilai fitness-
nya dengan metode roulette wheel. Individu-individu
yang terpilih kemudian dipasang-pasangkan dan
mendapatkan kemungkinan untuk mengalami pindah
silang dan mutasi.
Pindah silang dilakukan dengan cara menukar
kondisi dari suatu unit yang dipilih secara acak antara
kedua individu orangtua. Hal ini dilakukan untuk
mencegah dilanggarnya kekangan minimum up and
down time yang sudah dibetulkan tadi. Mutasi
dilakukan pada tiap bit di setiap individu dengan
kemungkinan terjadi yang kecil.
Untuk mendapatkan solusi yang lebih baik,
diterapkan beberapa operator tambahan [6]. Operator
tambahan tersebut terdiri atas:
a. Operator swap-window
Operator ini diterapkan pada tiap individu
dengan kemungkinan tertentu. Dua unit dipilih
secara acak, dan suatu “bingkai” dengan lebar w
jam dibentuk secara acak pula dengan lebar
antara 1 sampai t_max, dan dengan posisi antara
1 sampai (t_max – w). Kemudian, kondisi
kedua unit yang terpilih tadi dalam “bingkai”
tersebut ditukar.
b. Operator window-mutation
Operator ini diterapkan pada tiap individu
dengan kemungkinan tertentu. Satu unit dipilih
secara acak, dan suatu “bingkai” dengan lebar w
jam dibentuk secara acak pula dengan lebar
antara 1 sampai t_max, dan dengan posisi antara
1 sampai (t_max – w). Kemudian kondisi unit
yang terpilih tadi pada “bingkai” tersebut
diubah menjadi 1 atau 0 seluruhnya.
c. Operator swap-mutation
Operator ini diterapkan hanya pada individu
terbaik. Setiap jam selama periode penjadwalan,
operator ini memilih dua unit secara acak,
kemudian menukar kondisinya. Setiap
dilakukan perubahan, dilakukan evaluasi ulang
pada individu ini. Bila nilai biaya yang
dihasilkan lebih rendah, maka nilai yang baru
disimpan. Bila tidak, maka nilai individu ini
dikembalikan ke nilai awalnya.
d. Operator hill-climbing swap-window
Operator ini diterapkan hanya pada individu
terbaik. Dua unit dipilih secara acak, dan suatu
“bingkai” dengan lebar w jam dibentuk secara
acak pula dengan lebar antara 1 sampai t_max.
“Bingkai” diletakkan pada awal periode
penjadwalan. Kemudian, kondisi pada kedua
unit yang terpilih dalam “bingkai” tersebut
Volume 1 Nomor 1, April 2014
Jurnal Penelitian Teknik Elektro dan Teknologi Informasi
_______________________________________________________________________________

ditukar. Setiap dilakukan perubahan, dilakukan cara yang sama. Total periode penjadwalan adalah 24
evaluasi ulang pada individu ini. Bila nilai jam. Variable “s_init” pada Tabel 2 menunjukkan
biaya yang dihasilkan lebih rendah, maka nilai status awal pembangkit sebelum periode penjadwalan.
yang baru disimpan. Bila tidak, maka nilai
TABEL I
individu ini dikembalikan ke nilai awalnya. PARAMETER UNIT PEMBANGKIT TERMAL
Selanjutnya, “bingkai” digeser satu jam dan
Unit 1 Unit 2 Unit 3 Unit 4 Unit 5
dilakukan hal yang sama sampai mencapai
P_max
akhir periode penjadwalan. 455 455 130 130 162
(MW)
P_min
B. Algoritma Operasi Baterai 150 150 20 20 25
(MW)
ai ($) 1000 970 700 680 450
Operasi baterai terdiri dari pengisian dan bi
pengosongan. Operasi pengisian baterai dilakukan saat 16.19 17.26 16.6 16.5 19.7
($/MW)
unit pembangkit murah belum membangkitkan daya ci
0.00048 0.00031 0.002 0.00211 0.00398
maksimalnya, sedangkan operasi pengosongan ($/MW2)
dilakukan saat unit pembangkit mahal sedang t_up (h) 8 8 5 5 6
t_down
dinyalakan. Untuk menentukan unit pembangkit murah (h)
8 8 5 5 6
dan mahal, dilakukan analisa biaya bahan bakar tiap SU_h
4500 5000 550 560 900
unit. Biaya bahan bakar per megawatt-nya dirata- ($)
ratakan, kemudian diurutkan dari yang paling murah SU_c
9000 10000 1100 1120 1800
sampai yang paling mahal. Batasan unit murah dan ($)
t_cold
mahal ditentukan dari awal. (h)
5 5 4 4 4
Operasi pengisian dilakukan dengan memeriksa s_init
8 8 -5 -5 -6
tiap unit pembangkit murah pada tiap jamnya untuk (h)
UR
menemukan pembangkit murah yang masih mampu (MW/h)
130 130 60 60 90
membangkitkan daya tambahan untuk mengisi baterai. DR
130 130 60 60 90
Operasi ini dilakukan dengan memperhatikan (MW/h)
kekangan sistem serta kekangan yaitu kekangan daya P_init
400 400 0 0 0
(MW)
mampu netto, dan ramping-rate limit. Selain itu,
kekangan yang berkaitan dengan unit baterai pada Unit 6 Unit 7 Unit 8 Unit 9 Unit 10
persamaan (12), dan (13) juga mulai diterapkan di sini. P_max 80 85 55 55 55
Operasi pengosongan dilakukan dengan cara (MW)
memberi daya dari baterai untuk menggantikan unit P_min 20 25 10 10 10
pembangkit mahal dalam melayani kebutuhan beban. (MW)
ai ($) 370 480 660 665 670
Operasi ini juga dilakukan dengan memperhatikan bi 22.26 27.74 25.92 27.27 27.79
kekangan baterai pada persamaan (12), dan (13). ($/MW)
Dengan begitu, didapatkan operasi baterai yang tidak ci 0.00712 0.00079 0.00413 0.00222 0.00173
menyebabkan pelanggaran terhadap kekangan yang ($/MW2)
ada. t_up (h) 3 3 1 1 1
t_down 3 3 1 1 1
TABEL I (h)
PREDIKSI BEBAN PADA PERIODE PENJADWALAN SU_h 170 260 30 30 30
($)
SU_c 340 520 60 60 60
($)
t_cold 2 2 0 0 0
(h)
s_init -3 -3 -1 -1 -1
(h)
UR 40 40 40 40 40
(MW/h)
DR 40 40 40 40 40
(MW/h)
VI. HASIL SIMULASI P_init 0 0 0 0 0
Simulasi metode yang diajukan dilakukan (MW)
menggunakan data seperti yang digunakan pada [3].
Data beban dan parameter unit pembangkit termal
ditunjukkan oleh Tabel 1 dan Tabel 2 berturut-turut. TABEL IIII
Simulasi yang dilakukan mencakup tes replikasi PARAMETER UNIT BATERAI
dengan sistem 10, 20, 40, 60, 80, dan 100 unit. Sistem SOC_min SOC_max SOC_init Pinv Efisiensi Efisiensi
20 unit dibuat dengan menggandakan unit pembangkit (MWh) (MWh) (MWh) (MW) pengisian pengosongan
10 240 48 90 85% 100%
pada sistem 10 unit, dengan beban yang
dilipatgandakan. Sistem yang lain dibentuk dengan

Volume 1 Nomor 1, April 2014 43

_______________________________________________________________________________
 Artikel Reguler
_____________________________________________________________________________
Nilai positif menandakan bahwa kondisi awal unit
tersebut on sedangkan nilai negatif menandakan hal
sebaliknya. Tabel 3 menunjukkan parameter unit
baterai pada tes replikasi yang dijalankan.
Simulasi dilakukan dengan dua kondisi, yaitu tanpa
unit baterai dan dengan unit baterai. Besar cadangan
berputar adalah 10%. Simulasi dilakukan pada
komputer dengan CPU Intel Core i3, RAM 4 GB, dan
menggunakan software MATLAB 2013 64-bit.
Tabel 4 dan Tabel 5 memperlihatkan kondisi
penjadwalan sebelum dan setelah dilibatkannya unit
baterai pada sistem 10-unit. Metode yang diajukan
terbukti dapat menyelesaikan permasalahan UC baik
tanpa melibatkan unit baterai maupun dengan
melibatkan unit baterai. Hal ini terlihat dari nilai biaya
total pembangkitan yang lebih rendah daripada nilai
biaya total pembangkitan yang diperoleh oleh
penelitian sebelumnya [3].
Ditambahkannya unit baterai pada sistem terbukti
dapat mengurangi biaya total pembangkitan.
Perbandingan daya yang disuplai dari pembangkit
termal dan dari baterai dapat dilihat pada Gbr. 5. Daya
baterai negatif menandakan bahwa proses pengisian
sedang dilakukan, sedangkan daya baterai yang positif
menandakan proses pengosongan sedang dilakukan.
Baterai melakukan pengisian saat beban turun sesaat,
dan unit pembangkit murah tidak dimatikan untuk
mengantisipasi kenaikan beban pada jam-jam
berikutnya. Baterai melakukan pengosongan saat
beban puncak, untuk menggantikan unit pembangkit
mahal, terlihat jelas pada jam ke 9 sampai jam ke 14
pada Gbr. 5. Dengan adanya baterai, penggunaan unit
pembangkit mahal saat beban puncak dapat dihindari,
TABEL III
PENJADWALAN UNIT TERMAL TANPA MELIBATKAN BATERAI
Gbr. 5 Grafik perbandingan daya dari pembangkit termal
dengan daya dari baterai
baik untuk berbagai skala permasalahan UC. Hal ini
dibuktikan dengan diperolehnya nilai yang lebih
rendah daripada nilai pada penelitian sebelumnya
untuk ukuran sistem yang diuji-cobakan, baik pada
sistem 10 unit, maupun sistem dengan skala yang lebih
besar.
Tabel 6 dan Tabel 7 juga menunjukkan
perbandingan biaya total dan waktu eksekusi antara
metode AG dengan metode extended priority list (EPL)
yang digunakan pada [3]. Dari hasil simulasi yang
dilakukan, terbukti bahwa metode yang diajukan
memberikan hasil lebih baik daripada metode EPL.
Hal ini disebabkan karena metode AG dapat
memeriksa lebih banyak solusi dibandingkan dengan
metode EPL. Selain itu, karena metode EPL memiliki
prosedur tertentu untuk merespon perubahan beban,
metode AG lebih fleksibel dalam menemukan solusi
optimal. Untuk waktu eksekusi, metode AG memang
lebih lama dibandingkan metode EPL pada sistem
kecil. Namun pada sistem besar, AG menunjukkan
waktu eksekusi yang lebih cepat daripada EPL.
TABEL.VI
PERBANDINGAN BIAYA TOTAL METODE AG DENGAN EPL

Biaya Total ($)

Jumlah
Tanpa Baterai Dengan Baterai
unit
termal Algoritma Priority Algoritma Priority
Genetika List Genetika List
10 562.416 563.668 550.354 555.908
20 1.121.180 1.124.453 1.106.361 1.107.733
40 2.243.794 2.246.563 2.200.905 2.213.375
TABEL.V 60 3.353.242 3.367.153 3.305.375 3.329.062
PENJADWALAN UNIT TERMAL DENGAN MELIBATKAN BATERAI 80 4.480.937 4.489.239 4.416.421 4.432.915
100 5.602.531 5.608.888 5.523.391 5.531.812

TABEL.VII
PERBANDINGAN WAKTU EKSEKUSI METODE AG DENGAN EPL

Waktu Eksekusi (s)

Jumlah
Tanpa Baterai Dengan Baterai
unit
termal Algoritma Priority Algoritma Priority
sehingga biaya start-up dan biaya bahan bakar Genetika List Genetika List
berkurang. Biaya total dari hasil simulasi dapat dilihat 10 76,36 3,97 61,31 8,52
20 67,73 12,50 92,55 37,10
pada Tabel 6. Hasil simulasi pada Tabel 6
40 94,05 47,40 137,94 124,00
memperlihatkan adanya penurunan biaya total 132,70 101,00 204,32 237,00
60
pembangkitan sebesar 1,1-1,5% setelah unit baterai 80 160,31 192,00 270,26 438,00
dilibatkan 100 168,25 284,00 357,52 677,00
Dari hasil tes replikasi yang dilakukan, terlihat
bahwa metode yang diajukan dapat digunakan dengan

44 Volume 1 Nomor 1, April 2014

_______________________________________________________________________________
Jurnal Penelitian Teknik Elektro dan Teknologi Informasi
_______________________________________________________________________________

VIII. KESIMPULAN
Pada makalah ini, diajukan sebuah metode untuk
menyelesaikan permasalahan UC dengan melibatkan
sistem penyimpanan energi berupa baterai. Hasil yang
diperoleh menunjukkan bahwa metode yang diajukan
berhasil menemukan solusi penjadwalan yang optimal
pada data simulasi yang digunakan. Hal ini terlihat dari
nilai biaya total yang didapatkan lebih baik daripada
penelitian sebelumnya yang menggunakan metode
EPL. Metode ini juga terbukti dapat diterapkan pada
sistem dengan skala besar dengan waktu eksekusi yang
wajar.

UCAPAN TERIMA KASIH

Kepada Tuhan Yang Maha Esa atas segala karunia-
Nya, kedua orangtua dengan semua pengorbanan dan
dukungannya, kepada Dosen Pembimbing yang telah
meluangkan waktunya, kepada orang-orang yang telah
mendoakan dan memberikan dukungan, kepada teman-
teman yang yang selalu menemani, serta kepada
seseorang yang telah memberi banyak hal dalam
kehidupan penulis.

REFERENSI
[1] Tomonobu Senjyu, Shantanu Chakraborty, Ahmed Yousuf
Saber; “Thermal Unit Commitment Strategy with Solar and
Wind Energy Systems Using Genetic Algorithm Operated
Particle Swarm Optimization”. IEEE International
Conference on Power and Energy , 2008, p. 866-871.
[2] Tomonobu Senjyu, Kai Shimabukuro. “A Fast Technique for
Unit Commitment Problem by Extended Priority List”. IEEE
Transactions on Power System, 2003, p. 882-888.
[3] T. Senjyu, “A Technique for Unit Commitment with Energy
Storage” System. Elsevier Electrical Power and Energy
Systems , 2007, p. 91-98.
[4] Weerakorn Ongsakul, Nit Petcharaks. “Unit Commitment by
Enhanced Adaptive Lagrangian Relaxation”. IEEE
Transactions on Power Systems , 2004, p. 620-628.
[5] Joannis Damousis, Anastasios Bakirtzis. “A Solution to the
Unit-Commitment Problem Using Integer-Coded Genetic
Algorithm”. IEEE Transactions on Power Systems, 2004, p.
1165-1172.
[6] S.A. Kazarlis, A.G. Bakirtzis, V. Petridis. “A Genetic
Algorithm Solution to the Unit Commitment Problem”. IEEE
Transactions on Power System , 1996, p. 83-92..
[7] T. Longenthiran, Dipti Srinivasan. “Short Term Generation
Scheduling of a Microgrid”. IEEE Tencon , 2009
[8] C Wang, S.M. Shahidehpour. “Effects of Ramp-Rate Limits
on Unit Commitment and Economic Dispatch”. IEEE
Transactions on Power Systems , 1993, p. 1341-1350.
[9] M. K. C. Marwali, S. M. Shahidehpour. “Short Term
Generation Scheduling in Photovoltaic-Utility Grid with
Battery Storage”. IEEE Transactions on Power Systems, 1998,
p. 1057-1062
[10] G. Yudhaprawira, Sarjiya, Sasongko P. Hadi, “Unit
Commitment for Power Generation System Including PV and
Batteries by Mixed Integer Quadratic Programming”. IEEE
Conference on Power Engineering and Renewable Energy.
2012
[11] Sarjiya, Haryono, T., Winasis, “Optimal Scheduling of
Hybrid Renewable Energy System Using MIPQ Method”,
AUN/SEED-Net Regional Conference in Electrical and
Electronics Engineering, 2013
[12] Suyanto. (2010). Algoritma Genetika Dalam Matlab.
Yogyakarta: Andi Offset.

Volume 1 Nomor 1, April 2014 45

_______________________________________________________________________________