Penyelesaian Masalah Economic Dispatch (ED) pada

Sistem 3 Pembangkit Menggunakan Grasshopper

Optimization Algorithm (GOA)
Felix Palangan1
2
Program Studi Teknik Elektro, Institut Teknologi Kalimantan, Balikpapan, Indonesia
*email:04151017@itk.ac.id

Abstract— Pada paper ini, Optimisasi besarnya pembangkitan
untuk dapat memenuhi kebutuhan beban dengan biaya seminimal
mungkin merupakan salah satu masalah tersendiri dalam suatu
operasi sitem tenaga listrik.Permasalahan ini sendiri lebih dikenal
dengan Economic Dispatch (ED).Pada karya tulis ini dilakukan
pengoptimisasian ED pada sistem sederhana dengan 3 buah
pembangkit. Adapun algoritma yang digunakan ialah algoritma
Grasshopper Optimization Algorithm (GOA). Algoritma ini
terinspirasi dari kharakteristik belalang dalam suatu
perkumpulan dalam mencari daerah nyaman atau comfort zone
dalam suatu perkumpulan. Hasil menunjukkan bahwa GOA
mencapai biaya produksi lebih rendah dengan nilai pada simulasi
yaitu 9.5831e+03
Keywords-Economic Dispatch, Grasshopper Optimization
Algorithm, Fitness.
I. PENDAHULUAN
Perencanaan dalam sistem tenaga dengan kondisi yang
optimal dibutuhkan seiring dengan peningkatan permintaan
energi. Economic Dispatch (ED) merupakan pengalokasian
beban secara ekonomis terhadap unit pembangkit sesuai dengan
Batasan untuk mendaatkan biaya operasi yang minimum.
Terdapat banyak metode yang digunakan untuk mencari solusi
permasalahan ED yang dapat diklasifikasikan menjadi metode
klasik dan algoritma heuristis.
Banyak dari permasalahan optimasi termasuk ED memiliki
karakteristik yang kompleks dengan batas pertidaksamaan dan
persamaan tertentu. Metode klasik masih belum dapat
mengeksekusi peyelesaian ED dengan baik. Sehingga, sebagai
alternatif digunakan algoritma heuristis untuk mencari solusi
terbaik dari permasalahan optimasi.
Pada masa kini, banyak literature untuk memformulasikan
dan menyelesaikan permasalahan ED dengan teknik pencarian
atau heuristis. Pada dasarnya, teknik pencarian heuristis adalah
suatu teknik penyelesaian dari solusi kompleks nonlinier dari
permasalahan optimasi. Salah satu contoh algotitma heuristis
Grasshopper Optimization Algorithm (GOA).
Grasshopper Optimization Algorithm (GOA) pertama kali
dikenalkan oleh Saremi, Mirjalili dan Lewis. GOA adalah
algoritma yang terinspirasi dari karakteristik belalang dalam
mencari posisi ternyaan di dalam suatu perkumpulan. Pada
paper ini, GOA digunakan untuk menyelesaikan permasalahan
ED yang diformulasikan sebagai permasalahan optimasi
nonlinier dengan kesamaan dan ketidaksamaan dari sistem
tenaga.
II. FORMULASI ECONOMIC DISPATCH (ED)
Tujuan dari permasalahan ED adalah mencari kombinasi
optimal dari output generator sehingga dapat meminimalisir
total biaya pembangkitan sesuai dengan batas yang telah
ditetapkan dan beban yang harus disuplai. Permasalahan ED
untuk meminimalkan biaya bahan bakar dapat didefinisaikan
secara matematis sebagai penjumlahan dari fungsi biaya untuk
setiap generator. Biaya bahan bakar minimum dapat
diformulasikan sebagai berikut.
min 𝐹𝑡 = ∑𝑁
𝑖=1 𝐹𝑖 (𝑃𝑖 ) (1)
Persamaan keseimbangan pembangkit adalah sebagai
berikut apabila terdapat losess diformulasilan sebagai berikut.
∑𝑁 𝑖=1 𝑃 I  Pload  Plosses (2)
Pada persamaan (1) dan (2) Fi adalah biaya bahan bakar dari
unit generator (Rp/hr), N adalah jumlah generator, Pi adalah
output pembangkitan dari generator ke-i. fungsi bahan bakar
yang diperkirakan merupakan fungsi kuadrat dapat
diformulasikan sebagai berikut:
𝐹𝑖 = 𝑎𝑖 𝑃𝑖 2 + 𝑏𝑖 𝑃𝑖 + 𝑐𝑖 (3)
Pada persaaan (3) ai, bi and ci merepresentasikan koefisien
biaya bahan bakar dari generator ke-i. Setiap generator
memiliki batasan masing-masing. Persamaan (4) adalah
pertidaksamaan batas antara batas maksimum dan minimum
dari output pembangkit.
𝑃𝑖 𝑚𝑖𝑛 ≤ 𝑃𝑖 ≤ 𝑃𝑖 𝑚𝑎𝑥 i=1,2,…,N (4)
III. METODOLOGI
A. Grasshopprt Optimization Algorithm (GOA)
Saremi, Mirjalili dan Lewis mengembangkan Grasshopper
Optimization Algorithm (GOA) pada tahun 2017 berdasarkan
kebiasaan belalang dalam suatu perkumpulan. Dalam suatu
perkumpulan, belalang mencari posisi ternyaman yang
dipengaruhi oleh beberapa faktor. Pada masalah optimasi,
posisi belalang merepresentasikan variabel yang akan di mengecilkan daerah untuk menemukan posisi teryaman. Besar
optimalkan. Posisi belalang dipengaruhi oleh interaksi sosial, gravitasi diabaikan dan arah angin dianggap selalu menuju ke
gaya gravitasi, dan pengaruh angin. target.
Persamaan matematis dari posisi belalang ke-i yang Parameter c di perbarui dengan menggunakan persamaan
dilambangkan oleh Xi ditunjukkan oleh persamaan (5). (12). c adalah persamaan untuk mengurangi eksplorasi dan
meningkatkan eksploitasi sesuai dengan iterasi yang sedang
𝑋𝑖 = 𝑆𝑖 + 𝐺𝑖 + 𝐴𝑖 (5) berjalan.
𝑐𝑚𝑎𝑥−𝑐𝑚𝑖𝑛
𝑐 = 𝑐𝑚𝑎𝑥 − 𝑙 (12)
𝐿
Pada persamaan (5), Si adalah interaksi sosial, Gi adalah
gaya gravitasi pada belalang ke-i dan Ai menunjukkan pengaruh
angin. Komponen utama dari posisi belalang adalah interaksi Pada persamaan (12) 𝑐𝑚𝑎𝑥 adalah nilai maksimu, 𝑐𝑚𝑖𝑛 adalah
sosial yang ditunjukkan oleh persaaan (6). nilai minimum, l menunjukkan nilai iterasi yang sedang
berjalan, dan L adalah nilai iterasi maksimum.
𝑆𝑖 = ∑𝑁 ̂
𝑗=1.𝑗≠𝑖 𝑠 (𝑑𝑖𝑗 )(𝑑𝑖𝑗 ) (6)
B. GOA untuk Permasalahan ED
Pada bagian ini implementasi GOA akan dideskripsikan
Pada persamaan (6) dij adalah jarak antara belalang ke-i dan untuk menyelesaikan permasalahan ED dengan rugi transmisi.
belalang ke-j dan dapat dihitung dengan persamaan 𝑑𝑖𝑗 = Pseudocode dari GOA adalah sebagai berikut:
|𝑥𝑗 − 𝑥𝑖 |, s adalah fungsi untuk mendefinisikan kekuatan dari
gaya sosial yang ditunjukkan oleh persamaan (7), dan 𝑑̂𝑖𝑗 =
𝑥𝑗 − 𝑥𝑖 Inisialisasi kumpulan
adalah vector unit dari belalang ke-i dan belalang ke-j.
𝑑𝑖𝑗 Inisialisasi cmax, cmin, and jumlah iterasi maksimum
Fungsi s yang mendifinisikan gaya sosial dapat dihitung Hitung fitness dari masing masing agen pencari
dengan menggunakan persamaan sebagai berikut: T=agen pencari terbaik
While (1 <Jumlah Iterasi)
−𝑟
𝑠 (𝑟) = 𝑓𝑒 𝑙 − 𝑒 −𝑟 (7) Update c menggunakan persamaan (11)
For masing-masing agen pencari
f merepresentasikan intensitas dari tarikan dan l Update posisi dariagen pencari menggunakan
merepresentasikan skala atau kekuatan tarikan. Komponen G persamaan (10)
pada persamaan (5) dapat di hitung dengan meggunakan Bawa agen pencari kembali apabila telah
persamaan (8). melewati batas.
End for
𝐺𝑖 = − 𝑔𝑒̂𝑔 (8) Update T apabila ada solusi yang lebih baik
l=l+1
End while
Pada persamaan (8) g adalah konstanta grafitasi dan 𝑒̂𝑔
Kembalikan T
menunjukkan vector unit menuju ke inti bumi. Komponen A
pada persamaan (5) dapat dihitung dengan menggunakan
persamaan sebagai berikut:
Gambar 1. Pseudocode GOA
𝐴𝑖 = 𝑢𝑒̂
𝑤 (9)
Langkah-langkah GOA secara rinci adalah sebagai berikut:
Pada persamaan (9) u adalah konstanta angin dan 𝑒̂ 𝑤 adalah
vektor unit dari arah angin. Persamaan (5) secara lengkap dapat
1)Inisialisasi parameter dan posisi awal belalang, pada proses
ditulis sebagai berikut.
inisialisasi awal, posisi individu di set acak tetapi tetap berada
𝑥𝑗 − 𝑥𝑖 dalam batas, sehingga penginisialisasian ini dapat dilakukan
𝑋𝑖 = ∑𝑁
𝑗=1.𝑗≠𝑖 𝑠 (|𝑥𝑗 − 𝑥𝑖 |)
̂
− 𝑔𝑒𝑔 + 𝑢𝑒̂
𝑤 (10)
𝑑𝑖𝑗 dengan persamaan berikut.

Untuk menyelesaikan permasalahan optimasi, diperlukan Xi= lb + (ub - lb)* rand[0,1] (13)
algoritma yang dengan akurat dapat mencari nilai terbaik. Oleh
sebab itu, persamaan (10) dikembangkan dan diubah menjadi Dalam permasalahan ED, posisi merepresentasikan variabel
persamaan (11). yang di optimasi yaitu daya pebangkit. Cmin, cmax, f, dan l
juga diinisialisasi diawal.
𝑢𝑏𝑑 −𝑙𝑏𝑑 𝑥𝑗 − 𝑥𝑖
𝑋𝑖 = 𝑐 (∑𝑁
𝑗=1.𝑗≠𝑖 𝑐 𝑠(|𝑥𝑗𝑑 − 𝑥𝑖𝑑 |) ̂𝑑 (11)
)+ 𝑇
2 𝑑𝑖𝑗 2) Evaluasi Fitness dari semua agen pembawa, pada langkah
ini, dicari nilai fitness dari masing-masing belalang.
Pada persamaan (11) 𝑢𝑏𝑑 adalah batas atas pada dimensi-d, Selanjutnya dicari fitness terbaik. Untuk permasalahan ED
−𝑟
fitness terbaik adalah fitness minimum
dan 𝑙𝑏𝑑 adalah batas bawah pada dimensi-d. 𝑠 (𝑟) = 𝑓𝑒 𝑙 −
̂𝑑 adalah nilai posisi terbaik yang telah ditemukan
𝑒 −𝑟 , 𝑇
3) Perncarian posisi nyaman belalang, posisi nyaman dari
sebelumnya, dan c adalah koefisien penurunan untuk
belalang dapat dicari dengan memasukkan inisiasi posisi
awal kedalam persamaan GOA yaitu persamaan (11) dan Dari 10 pengulangan tersebut, didapatkan rata-rata fitmin =
(12). Posisi ternyaman merepresentasikan daya optimal dari 9853. Dari nilai tersebut terlihat bahwa pada setiap
pembangkit. Apabila agen pencari telah melewati batas, pengulangan tidak berpengaruh pada nilai fitness.
maka solusi akan dikembalikan pada saat agen pencari
belum keluar dari batasan. Pencarian posisi dilakukan terus Gambar 2 menunjukkan kurva konvergensi GOA. Dari
menerus sampai iterasi maksimum. kurva tersebut, dapat dilihat bahwa GOA berdasarkan rata-rata
pengulangan hasil simulasi sebanyak 10 kali telah konvergen
IV. SIMULASI saat iterasi ke 300.
Kasus yang digunakan dalam paper ini adalah ED tanpa
Losses. Algoritma mengunakan 30 agen pebawa, 1000 iterasi
untuk menemukan solusi optimal. Data dan parameter yang
digunakan dalam simulasi ditampilkan pada Tabel 1,2,3, dan 4.

Tabel 1. Fungsi Kharakteristik Biaya

Generator
Daya Daya
Generator Fungsi Biaya Minim Maksim
um um
Cost (1) = (0.001562 * ( Pgg (1)^2))
1 + (7.92 * Pgg (1)) + 561 150 600

Cost (2) = (0.00194 * (Pgg (2)^2)) +

2 (7.8 5* Pgg (2)) + 310 150 500

Cost (3) = (0.00482 * (Pgg (3)^2)) +

3 (7.97 * Pgg (3)) + 78 50 150

Berikut disajikan parameter GOA pada table 2. Gambar 2. Kurva Konvergensi GOA
Tabel 2. Parameter GOA
V. KESIMPULAN
Parameter Nilai
Pada paper ini dapat dijelaskan bahwa Grasshopper
Cmin 0.00001
Cmax 1 Optimization Algoritm (GOA) dapat digunakan dalam
F 0.5 memecahkan permasalahan Economic Dispatch (ED) tanpa
L 500 rugi transmisi, dengan nilai fitmin adalah 9583 Rupiah/Jam.

DAFTAR PUSTAKA
Dilakukan pengulangan 10 kali untuk simulasi ED [1] Shahrzad Saremi, Seyedali Mirjalili Andrew Lewis. Grasshopper
menggunakan GOA. Hasil dari pengulangan tersebut Optimization Algorithm: Theory and application.Advances in
Engineering Software 105 (2017) 30–47
ditampilkan pada tabel 3. [2] Wood, Alan J.2014. POWER GENERATION, OPERATION, AND
CONTROL. John Wiley & Sons, Inc: Canada
Tabel 3. Besar Daya masing-masing Pembangkit [3] S.Sivasakthi dan Dr.N.Muralikrishnan PG Scholar. 2016. Chicken
Swarm Optimization for Economic Dispatch with Disjoint Prohibited
Iterasi ke- P1 P2 P3 Fitmin Zones Considering Network Losses. Mailam, India: Electrical and
1 705.4091 191.1005 103.4904 9583 Electronics Engineering Mailam Engineering College.
[4] Amir Amruddin, M Yusuf Wibisono, As’adi, dan Imam Robandi,”
2 609.7227 250.4547 139.8227 9583
Modified Neural Network Based Economic Dispatch with Application
3 726.7225 177.5570 95.7205 9583
to Coordination of Java-Bali Inteconnection. 2ndAPTECS, Surabaya,
4 438.4312 486.5656 75.0032 9583
2010
5 703.3266 206.9516 89.7218 9583 [5] Serhat DUMAN1, Aysen Basa ARSOY2, Nuran YÖRÜKEREN2,
6 649.9731 226.0344 123.9926 9583 Solution of Economic Dispatch Problem using Gravitational Search
7 434.4439 462.8444 102.7117 9583 Algorithm
8 531.4147 319.1781 149.4072 9583 [6] M. T. Tsai, H. J. Gow, W. M. Lin, "A novel stochastic search method for
9 495.6098 425.0862 79.3040 9583 the solution of economic dispatch problems with non-convex fuel cost
10 472.7355 414.1749 113.0897 9583 functions", Electrical Power and Energy Systems, vol. 33, pp. 1070-
1076, 201