Ukuran dan Penempatan STATCOM Optimal

Menggunakan Partikel Swarn Optimization

Y. del Valle, Anggota Mahasiswa, IEEE, JC Hernandez, Anggota Mahasiswa, IEEE, GK
Venayagamoorthy, Anggota Senior, IEEE, dan RG Harley, Rekan, IEEE

Astract

Pendekatan heuristik secara tradisional diterapkan untuk menemukan ukuran dan lokasi
perangkat Flexible AC Transmission Systems (FACTS) dalam sistem tenaga kecil. Namun demikian,
metode yang lebih canggih diperlukan untuk menempatkan mereka dalam jaringan listrik yang besar.
Baru-baru ini, teknik Particle Swarm Optimization (PSO) telah diterapkan untuk memecahkan
masalah optimisasi teknik pembangkit yang memberikan hasil lebih baik daripada metode klasik.
Makalah ini menunjukkan penerapan PSO untuk ukuran optimal dan alokasi dari Statis Kompensator
(STATCOM) dalam sistem tenaga. Sistem bus 45 (bagian dari jaringan listrik Brasil) digunakan
sebagai contoh untuk mengilustrasikan teknik ini. Hasilnya menunjukkan bahwa PSO mampu
menemukan solusi terbaik dengan signifikansi statistik dan tingkat konvergensi yang tinggi.
Penjelasan rinci tentang metode, hasil dan kesimpulan juga disajikan.

Indeks Ketentuan-Sistem Transmisi AC Fleksibel (FACTS), Particle Swarm Optimization,

Kompensasi VAR Statis.

I. PENDAHULUAN

Komponen sistem daya terutama terdiri dari generator, saluran transmisi, transformer, switch,
kompensator dan beban aktif atau pasif. Jaringan sistem daya adalah sistem kompleks yang tidak
linier, tidak stasioner, dan rentan terhadap gangguan dan kesalahan. Penguatan sistem daya dapat
dicapai dengan meningkatkan profil tegangan, meningkatkan kapasitas transmisi dan lainnya. Namun
demikian, beberapa solusi ini mungkin memerlukan investasi besar yang sulit untuk dipulihkan.
Perangkat Flexible AC Transmission System (FACTS) adalah solusi alternatif untuk mengatasi
beberapa masalah tersebut [1]. Pendekatan heuristik sederhana secara tradisional diterapkan untuk
menentukan lokasi perangkat FACTS dalam sistem tenaga kecil. Namun, metode yang lebih ilmiah
diperlukan untuk menempatkan dan mengukur perangkat FACTS dalam jaringan listrik yang lebih
besar. FACTS ukuran dan alokasi merupakan masalah tonggak dalam sistem kekuasaan. Metode
optimasi tradisional seperti program integer linier dan non-linear campuran telah diselidiki secara
intensif untuk mengatasi masalah ini; Namun kesulitan timbul karena beberapa minima lokal dan
usaha komputasi yang luar biasa [2], [3].
 Baru-baru ini, Teknik Perhitungan Evolusi telah digunakan untuk menyelesaikan alokasi
optimal perangkat FACTS dengan hasil yang menjanjikan. Algoritma yang berbeda seperti Genetic
Algorithms (GA) [2], [4], [5], [6], dan Evolutionary Programming [7] telah diuji untuk menemukan
alokasi optimal serta jenis perangkat dan ukurannya. Particle Swarm Optimization (PSO) adalah
teknik perhitungan evolusioner lain yang dapat digunakan untuk menyelesaikan masalah ukuran dan
alokasi FACTS. Ini telah diterapkan untuk masalah rekayasa daya lainnya seperti: pengiriman
ekonomi [8], masalah pengembangan generasi [9], perkiraan beban jangka pendek [10], dan lain-lain,
memberikan hasil yang lebih baik daripada teknik klasik dan dengan sedikit usaha komputasi. Selain
itu, telah ditunjukkan baru-baru ini bahwa penerapan PSO cocok pada prinsipnya untuk menempatkan
perangkat FACTS secara optimal dalam sistem tenaga multimachine [1].

Tujuan utama dari makalah ini adalah untuk menunjukkan penerapan PSO untuk alokasi
optimal serta ukuran dari Statis Kompensator (STATCOM), perangkat FACTS shunt, dalam sistem
tenaga. Kriteria yang digunakan dalam mencari solusi terbaik adalah untuk mengoptimalkan profil
tegangan sistem dan ukuran STATCOM sedemikian rupa sehingga penyimpangan tegangan pada
setiap bus tidak melebihi nilai yang ditetapkan sebelumnya. Sistem bus 45 yang merupakan bagian
dari jaringan listrik Brasil digunakan sebagai contoh untuk mengilustrasikan metodologi. Selain itu,
efek dari penyimpangan tegangan maksimum pada kinerja PSO dan ukuran STATCOM dipelajari.
Bagian II menyajikan konsep dasar PSO. Deskripsi sistem daya yang digunakan dalam penelitian ini
disajikan dalam bagian III. Pada bagian IV, fungsi obyektif yang akan dioptimalkan dijelaskan.
Bagian V menyajikan implementasi dari algoritma PSO. Hasil simulasi disajikan pada bagian VI.
Kesimpulan dan pekerjaan di masa depan diberikan dalam bagian VII.

II. PARTICLE SWARM OPTIMIZATION

PSO adalah teknik perhitungan evolusioner yang dikembangkan oleh Eberhart dan Kennedy
pada tahun 1995, dan terinspirasi oleh perilaku sosial dari flocking burung dan sekolah ikan [12],
[13], [14]. PSO memiliki akarnya dalam kehidupan buatan dan psikologi sosial serta di bidang teknik
dan ilmu komputer. Ini menggunakan populasi individu, yang disebut partikel, yang terbang melalui
masalah hyperspace dengan beberapa kecepatan awal yang diberikan. Dalam setiap iterasi, kecepatan
partikel secara stokastik disesuaikan dengan posisi historis terbaik dari partikel dan posisi terbaik
lingkungan mereka; di mana posisi ini ditentukan sesuai dengan beberapa fungsi kebugaran yang telah
ditentukan [13], [15]. Kemudian, pergerakan setiap partikel secara alami berevolusi menjadi solusi
optimal atau hampir optimal.

Nama "kawanan" berasal dari gerakan partikel yang tidak teratur di ruang masalah, lebih
mirip dengan segerombolan nyamuk daripada kawanan burung atau sekolah ikan [15]. Dalam ruang
bilangan real, posisi setiap partikel diberikan oleh vektor xi E S. Pada iterasi t, vektor posisi partikel
xi (t), diberikan dalam (1), ditentukan oleh vektor posisi sebelumnya xi (t - 1) dan gerakannya
diberikan oleh kecepatan yang diterapkan pada partikel Vi (t) [16].

Pada setiap iterasi, kecepatan suatu partikel ditentukan oleh baik pengalaman individu
maupun kelompok:

Persamaan pembaruan kecepatan seperti yang diberikan oleh (2) memiliki tiga komponen yang
berbeda [17]:

i. Komponen pertama kadang-kadang disebut sebagai "inersia", "momentum" atau "kebiasaan". Ini
model kecenderungan partikel untuk melanjutkan ke arah yang sama yang telah bepergian.

ii. Komponen kedua adalah tarik linear menuju posisi terbaik yang pernah ditemukan oleh partikel
yang diberikan (pbest). Komponen ini berbagai disebut sebagai "memori", "pengetahuan diri",
"nostalgia" atau "mengingat".

iii. Komponen ketiga dari persamaan pembaruan kecepatan adalah tarik linear menuju posisi terbaik
yang ditemukan oleh partikel apa pun (gbest). Komponen ini secara beragam disebut sebagai "kerja
sama", "pengetahuan sosial", "pengetahuan kelompok" atau "informasi bersama".

Kecepatan maksimum yang diizinkan untuk partikel dikendalikan oleh parameter Vmax. Jika
Vmax terlalu tinggi, maka partikel cenderung bergerak di luar solusi yang baik; di sisi lain, jika Vmax
kecil, maka partikel dapat terperangkap dalam minima lokal. Optimalisasi beberapa masalah dunia
nyata perlu diselesaikan dalam ruang bilangan bulat. Dalam hal ini, PSO juga terbukti efektif dalam
masalah optimisasi semacam ini; kinerja PSO bisa lebih baik daripada teknik khas seperti cabang dan
terikat dengan memberikan kinerja stabilitas yang lebih baik dan tingkat keberhasilan yang lebih
tinggi [18]. Aplikasi PSO untuk masalah optimasi integer dikenal sebagai integer PSO. Integer PSO
didasarkan pada prinsip yang sama seperti PSO yang bernilai nyata seperti yang dijelaskan
sebelumnya, yaitu perhitungan dilakukan dengan cara yang sama tetapi nilai nyata didekati ke integer
terdekat. Aproksimasi tampaknya tidak berpengaruh signifikan terhadap kinerja integer PSO [18].

III. SISTEM MULTIMACHINE POWER Sistem

tenaga multimachine yang digunakan untuk penelitian ini disajikan pada Gambar. 1. Ini sesuai dengan
bagian dari Jaringan Listrik Brasil dan terdiri dari [19] berikut:

* 45 Bus.

* 10 Generator.

* 17 Transformers.

* 14 saluran transmisi pada 525 kV.

* 41 saluran transmisi pada 230 kV.

* 24 muatan bus.

* 7 bus dengan kompensasi shunt.

* Tingkat generasi di 13,8 kV.

* Total kapasitas terpasang 8.940 MVA.

Bagian distribusi dan pemanfaatan sistem diwakili oleh muatan yang setara di bus tempat
mereka terhubung. Dalam jaringan seperti itu, diinginkan untuk menjaga tegangan deviasi antara +
5% untuk menghindari tegangan runtuh selama kondisi yang salah. Secara umum, jika kebutuhan
beban meningkat, tegangan di bus yang sesuai dapat turun di bawah 0,95 pu dan akibatnya dukungan
tegangan tambahan diperlukan di bus tertentu. Dalam penelitian ini, dukungan tegangan akan
disediakan oleh STATCOM, dan lokasi dan ukuran optimalnya akan ditentukan dengan menggunakan
PSO. Simulasi sistem dilakukan menggunakan perangkat lunak PSAT [20].

IV. FUNGSI OBJEKTIF Fungsi

objektif J in (3) adalah jumlah tertimbang dari metrik deviasi tegangan dan ukuran
STATCOM. Ukuran STATCOM ditimbang sedemikian rupa sehingga nilai dari dua istilah dalam
fungsi obyektif sebanding; faktor pembobotan ditentukan oleh trial and error. Penyimpangan tegangan
dianggap dalam pu dan ukuran STATCOM dianggap dalam MVAR.
Karena sistem tenaga multimachine memiliki 10 generator, dan tegangan pada setiap generator bus
diatur oleh generator itu sendiri, bus generator yang bersangkutan dihilangkan dari proses pencarian,
sehingga meninggalkan 35 lokasi yang mungkin untuk STATCOM.
 V. IMPLEMENTASI ALGORITMA PSO

Implementasi algoritma PSO dibahas di bawah ini dan diilustrasikan dalam diagram alur yang
ditunjukkan pada Gambar. 2.

A. Partikel Definisi

Partikel didefinisikan sebagai vektor yang berisi nomor lokasi bus STATCOM dan ukurannya seperti
yang ditunjukkan pada (4).

B. Fungsi

kebugaran Fungsi kebugaran PSO yang digunakan untuk mengevaluasi kinerja setiap partikel sesuai
dengan fungsi objektif yang disajikan dalam (3).

C. Parameter PSO

Kinerja PSO dipengaruhi oleh pemilihan parameternya [12]. Oleh karena itu, cara untuk menemukan
set parameter yang cocok harus dipilih. Dalam hal ini, pemilihan parameter PSO mengikuti strategi
mempertimbangkan nilai yang berbeda untuk setiap parameter tertentu dan mengevaluasi efeknya
pada kinerja PSO. Nilai yang berbeda untuk parameter PSO ditunjukkan pada sub bagian berikutnya
dan evaluasi kinerja ditunjukkan di bagian hasil.

1) Jumlah partikel.

Ada trade-off antara jumlah partikel dan jumlah iterasi kawanan dan setiap nilai kebugaran partikel
harus dievaluasi menggunakan solusi aliran daya pada setiap iterasi, sehingga jumlah partikel tidak
boleh besar [1 1] karena usaha komputasi dapat meningkat secara dramatis. Kawanan 5 dan 10
partikel dipilih sebagai ukuran populasi yang tepat.

2) Berat badan inersia.

Dari hasil sebelumnya, berat inersia menurun secara linear [11]. Tujuannya adalah untuk
meningkatkan konvergensi segerombolan dengan mengurangi berat inersia dari nilai awal 0,9 hingga
0,1 bahkan dalam langkah-langkah di atas jumlah iterasi maksimum seperti yang ditunjukkan pada
(5).
3) Konstanta akselerasi.

Satu set tiga nilai untuk konstanta akselerasi individu dievaluasi untuk mempelajari pengaruh
memberikan lebih penting untuk terbaik individu atau terbaik kawanan: c1 = {1,5, 2, 2,5}. Nilai untuk
konstanta percepatan sosial didefinisikan sebagai: c2 = 4 - c1.

4) Jumlah ofiterasi.
Jumlah iterasi yang berbeda {10, 15, 20} dipertimbangkan untuk mengevaluasi pengaruh parameter
ini pada kinerja PSO.

5) Nilai untuk kecepatan maksimum.

Dalam hal ini, untuk setiap komponen partikel, nilai untuk kecepatan maksimum harus dipilih.
Berdasarkan hasil sebelumnya [11], nilai 9 dianggap sebagai kecepatan maksimum untuk nomor bus
lokasi. Untuk ukuran nilai kecepatan maksimum STATCOM dari {25, 50, 75} dianggap.

Tabel I menyajikan ringkasan nilai yang diuji untuk setiap parameter.

D. Integer PSO

Untuk aplikasi khusus ini, posisi partikel ditentukan oleh bilangan integer (lokasi bus dan ukuran
STATCOM). Oleh karena itu gerakan partikel yang diberikan oleh (2), diperkirakan ke bilangan bulat
terdekat. Selain itu, nomor lokasi tidak boleh berupa bus generator. Jika hasil (2) menyiratkan bus
generator, maka komponen partikel mengenai posisi (X) diubah menjadi bus yang secara geografis
paling dekat tanpa generator.

VI. HASIL SIMULASI

A. PSO Parameter Tuning.

Untuk menemukan set parameter terbaik untuk PSO di antara semua alternatif yang
disebutkan sebelumnya, 50 percobaan optimasi dilakukan untuk setiap set yang memungkinkan.
Untuk setiap kombinasi, nilai akhir kasus terbaik dari fungsi kebugaran terdaftar. Dari nilai-nilai ini,
nilai minimum, maksimum, rata-rata, dan deviasi standar (dalam persentase) dihitung sebagai indikasi
statistik kinerja PSO. Selain itu, indeks kinerja yang disebut Konvergensi Rate (CR) didefinisikan
sebagai jumlah kasus, lebih dari 50 percobaan di mana solusi yang layak ditemukan oleh partikel dari
kawanan. Dalam prakteknya, nilai CR yang tinggi sangat diharapkan. CR dapat dipahami juga sebagai
probabilitas PSO untuk menemukan solusi yang layak. Solusi yang layak adalah solusi yang sesuai
dengan batasan fungsi obyektif seperti yang ditunjukkan pada (3).
 Kriteria yang digunakan untuk memilih set parameter PSO terbaik adalah dengan
mempertimbangkan himpunan yang secara statistik lebih signifikan dengan mengevaluasi nilai
deviasi minimum, maksimum, rata-rata, dan standar dari fungsi kebugaran dan dengan nilai CR yang
tinggi. Set parameter optimal yang ditemukan ditunjukkan pada Tabel II. Hasil aliran daya
mempertimbangkan deviasi tegangan maksimum ± 5% dan ketika STATCOM terletak di posisi
terbaiknya di bus 378 ditunjukkan pada Tabel III. Nilai di luar batas ± 5% ditunjukkan dalam huruf
tebal untuk kasus dengan dan tanpa STATCOM.

B. Hasil Aliran Daya.

Sistem tanpa STATCOM memiliki empat bus dengan tegangan di bawah 0,95 pu; bus-bus ini sesuai
dengan satu pusat beban. Setelah STATCOM terhubung ke bus 378, penyimpangan tegangan
meningkat di bus-bus di area muatan itu. Dengan STATCOM terhubung ke bus 378, ia menyediakan
62 MVA ke sistem. Perhatikan bahwa setelah STATCOM terhubung, semua tegangan dalam sistem
berada di antara batas deviasi tegangan maksimum + 5%. Perhatikan juga bahwa nilai tegangan bus
yang dihubungkan STATCOM secara marjinal cukup untuk menjaga semua tegangan lain antara
batas dan menjaga ukuran STATCOM sekecil mungkin. Dengan kata lain, ukuran dan lokasi
STATCOM adalah optimal. Tabel IV menunjukkan hasil kasus terbaik untuk metrik deviasi tegangan
sebelum dan sesudah penempatan STATCOM.
C. Analisis Sensitivitas terhadap Hambatan Deviasi Tegangan.

Untuk mempelajari pengaruh kendala deviasi tegangan, simulasi mempertimbangkan lima nilai yang
berbeda dari penyimpangan tegangan maksimum di setiap bus dilakukan. Dengan kata lain konstanta
sisi kanan dari 45 kendala pertama seperti yang ditunjukkan pada (3) diubah. Nilai untuk batas bawah
4,5% dan batas atas 5,5% ditentukan oleh kelayakan solusi mempertimbangkan pengaturan generator
dan kondisi beban.

Gambar. 3 menunjukkan metrik deviasi tegangan seperti yang didefinisikan oleh (3) dan Gambar. 4
menunjukkan ukuran STATCOM dalam kondisi ini. Dalam semua kasus, posisi terbaik untuk
STATCOM adalah di bus 378.
Dari Gambar. 3 dan 4 diamati bahwa ketika tegangan maksimum deviasi meningkat, metrik deviasi
tegangan meningkat sementara ukuran STATCOM menurun. Perhatikan bahwa penurunan 0,5%
untuk penyimpangan tegangan maksimum menyebabkan perubahan besar dalam ukuran STATCOM
sebesar 22,6% sehubungan dengan kasus batas ± 5%; yang menunjukkan pentingnya parameter ini
dalam masalah ukuran.

VII. KESIMPULAN DAN PEKERJAAN MASA DEPAN

Kertas telah menunjukkan penerapan PSO untuk ukuran dan lokasi STATCOM dalam sistem daya
mengingat pada setiap bus kendala deviasi tegangan. Hasil dari contoh ilustratif menunjukkan bahwa
PSO mampu menemukan ukuran terbaik dan solusi lokasi dengan signifikansi statistik ketika
mengevaluasi nilai deviasi tegangan minimum, maksimum, rata-rata, dan standar dari metrik deviasi
tegangan, dan dengan tingkat konvergensi yang tinggi. Perhatian harus diberikan pada nilai deviasi
tegangan maksimum karena ukuran STATCOM sangat sensitif terhadapnya. Persyaratan deviasi
tegangan yang lebih ketat menyebabkan ukuran STATCOM meningkat. Para penulis menganggap
hasil sebagai menjanjikan untuk jaringan listrik ukuran sedang digunakan sebagai contoh. Dalam
sistem tenaga besar dan sangat besar, algoritma PSO dapat memiliki keuntungan yang signifikan
sehubungan dengan pencarian lengkap dan metode lain dengan memberikan solusi yang lebih baik
dengan usaha komputasi yang lebih sedikit. Pekerjaan masa depan dapat dilakukan dalam dua arah
berbeda. Di satu sisi, algoritma dapat diuji dalam sistem yang lebih besar untuk mengevaluasi
kinerjanya pada sistem daya nyata yang lebih mungkin. Di sisi lain, alokasi dan ukuran lebih dari satu
STATCOM, jenis perangkat FACTS lainnya dan kombinasi dari mereka dapat diselidiki. Selain itu,
kriteria optimasi yang berbeda dapat dipertimbangkan seperti meminimalkan kerugian dan masalah
stabilitas.