ABSTRAK
Kebutuhan listrik di PT. PUSRI saat ini dibangkitkan oleh empat unit pembangkit utama berupa Gas Turbine
Generator (GTG). Ketiga pembangkit yaitu pada PUSRI-II (2006-J), PUSRI-III (3006-J), PUSRI-IV (4006-J)
masing-masing berkapasitas 21,588kVA. PUSRI-IB (5006-J) berkapasitas 26,65kVA. Masing-masing unit
dioperasikan secara paralel melalui syncronizing bus 13,8 kV. Akan tetapi dengan alasan efesiensi pembangkit di
PT. PUSRI dengan biaya gas yang cukup mahal lambat laun GTG akan digantikan dengan pembangkit Steam
Turbine Generator–Batu Bara (STG-BB). Tugas akhir ini menggunakan metode algoritma Particle Swarm
Optimization (PSO) untuk mencari output optimum (MW) dari setiap unit pembangkit. Hasil perhitungan PSO
memberikan performansi solusi yang lebih baik dibandingkan dengan riil sistem dengan variasi daya yang
dibangkitkan sama yaitu sebesar 34.25(MW) sampai dengan 37.63(MW). Penghematan biaya yang di dapat dari
perbandingan antara metode PSO dengan keluaran riil sistem adalah, sebesar Rp. 5,180,509 pada beban 34,25
(MW) dan Rp. 6,416,864 pada beban 37,63(MW).
Kata kunci : Optimasi Sistem pembangkit Tenaga Listrik, Metode Particle Swarm Optimization (PSO).
I. PENDAHULUAN
Operasi ekonomis (economic dispatch) pada pembangkit tenaga listrik merupakan suatu aspek penting
dalam manajemen sistem tenaga listrik, tujuan utama economic dispatch adalah mengoptimalkan daya dan
meminimumkan biaya pembangkitan. Penghematan biaya bahan bakar dalam persentase yang kecil memberikan
pengaruh yang sangat besar terhadap penghematan biaya operasi. Untuk memproduksi tenaga listrik pada suatu
sistem tenaga dibutuhkan cara bagaimana membuat biaya konsumsi bahan bakar generator atau biaya operasi
dari keseluruhan sistem seminimal mungkin, dengan tetap memperhatikan kendala-kendala sistem seperti
kemampuan pembangkitan dari generator. Semua unit pembangkit tersebut saling terkoneksi untuk melayani
semua kebutuhan tenaga listrik secara keseluruhan, baik digunakan pada proses produksi,
perbaikan/perbengkelan, perumahan, dan juga perkantoran. Sistem pembangkitan dimana konsumsi bahan bakar
menjadi suatu masalah dan perlu mendapatkan perhatian yang serius mengingat komponen biaya operasi
pembangkitan suatu sistem tenaga listrik terbesar adalah biaya bahan bakar. Penghematan biaya bahan bakar
dalam persentase yang kecil memberikan pengaruh yang sangat besar terhadap penghematan biaya operasi.
Untuk memproduksi tenaga listrik pada suatu sistem tenaga dibutuhkan cara bagaimana membuat biaya
konsumsi bahan bakar generator atau biaya operasi dari keseluruhan sistem seminimal mungkin.
Masalah penjadwalan ekonomis pembangkit dikenal dengan ekonomic dispacth. Penjadwalan ekonomis
pembangkit tersebut memperhatikan kondisi optimal ekonomi. Selain itu, harus memenuhi batasan-batasan
teknis dalam pengoperasian pembangkit di dalam sistem tenaga. Untuk memperoleh hasil yang optimal dan
ekonomis dalam penjadwalan ekonomis pembangkit diperlukan suatu cara atau metode agar dapat
meminimalisasi biaya bahan bakar yang diperlukan dalam mengoperasikan sistem tenaga listrik. Metode Particle
Swarm Optimization (PSO) didasarkan pada perilaku sekawanan burung atau ikan.
Algoritma PSO meniru perilaku sosial organisme ini. Perilaku sosial terdiri dari tindakan individu dan
pengaruh dari individu-individu lain dalam suatu kelompok. Kata partikel menunjukkan, misalnya, seekor
burung dalam kawanan burung. Setiap individu atau partikel berperilaku dengan cara menggunakan
kecerdasannya (intelligence) sendiri dan juga dipengaruhi perilaku kelompok kolektifnya. Dengan demikian, jika
satu partikel atau seekor burung menemukan jalan yang tepat atau pendek menuju ke sumber makanan, sisa
kelompok yang lain juga akan dapat segera mengikuti jalan tersebut meskipun lokasi mereka jauh di kelompok
tersebut. (SANTOSA & WILLY, 2011)
Pmax
Atau F
Pmin
p Output, P (MW)
2. Karakteristik Heat-Rate
Karakteristik heat-rate merupakan karakteristik yang menunjukkan efisiensi dari sebuah
sistem. Karakteristik heat-rate sebuah unit pembangkit menunjukkan input kalor yang diberikan untuk
menghasilkan energi sebesar 1 kW jam pada MW output dari suatu unit
H Btu
( )
P MWh
Karakteristik laju panas ini menunjukan kerja sistem dari sistem pembangkit thermal seperti
kondisi uap, temperatur panas, tekanan kondensor, dan siklus aliran air secara keseluruhan. Pada kurva
terlihat bahwa efisiensi yang baik terletak pada limit maksimalnya. (adrianti, 2010)
1. Ukuran swarm
Ukuran swarm atau ukuran populasi adalah jumlah partikel n di kawanan. Sebuah kawanan yang besar akan
menghasilkan bagian yang lebih besar dari ruang penelusuran. Ukuran swarm atau populasi yang dipilih adalah
tergantung pada persoalan yang dihadapi. (Teguh, Soeprijanto, & H Purnomo, 2009)
4. Jumlah iterasi
Jumlah iterasi untuk mendapatkan hasil yang terbaik juga tergantung pada permasalahan. Jumlah iterasi
yang terlalu rendah dapat menghentikan proses pencarian secara prematur, sementara iterasi yang terlalu besar
memiliki konsekuensi kompleksitas komputasi tambahan yang tidak perlu dan lebih banyak waktu yang
dibutuhkan. (Teguh, Soeprijanto, & H Purnomo, 2009)
5. Komponen kecepatan.
Komponen kecepatan sangat penting untuk memperbaharui kecepatan partikel. Ada tiga istilah kecepatan
partikel, yaitu :
𝑡
Istilah 𝑣𝑖𝑗 disebut komponen inersia yang menyediakan memori dari arah penerbangan sebelumnya
yang berarti pergerakan dalam waktu dekat. Komponen ini merupakan momentum yang mencegah
perubahan drastis arah partikel dan bias menuju arah arus. Rumus yang digunakan secara umum untuk
menentukan kecepatan arah dari pergerakan pertikel yaitu : 0,5 ∗ 𝑃𝑚𝑎𝑥 − 𝑃𝑚𝑖𝑛 ∗ 1
(2)
𝑡
Istilah 𝑐1 𝑟1𝑗 𝑡
[𝑃𝑏𝑒𝑠𝑡,𝑖 − 𝑥𝑖𝑗𝑡 ]disebut komponen kognitif yang mengukur kinerja partikel i. Komponen ini
∑𝑝
terlihat seperti memori individu dari posisi yang terbaik untuk partikel. 𝑃𝑜𝑠𝑝𝑎𝑟 (𝑡) − (𝑝 − )
𝑛𝑝
(3)
Efek dari komponen kognitif mewakili kecenderungan individu untuk mengulang kembali posisi yang
balik baik dari yang sebelumnya.
𝑡
Istilah 𝑐2 𝑟2𝑗 [𝐺𝑏𝑒𝑠𝑡 − 𝑥𝑖𝑗𝑡 ] untuk Gbest PSO atau 𝑐2 𝑟2𝑗
𝑡
[𝐿𝑏𝑒𝑠𝑡,𝑖 − 𝑥𝑖𝑗𝑡 ] untuk Pbest PSO disebut komponen
sosial yang mengukur kinerja partikel i relatif terhadap sekelompok partikel. 𝑉𝑝𝑎𝑟 = 𝑤 ∗ 𝑉𝑝𝑎𝑟 + 𝑐1 ∗
𝑟1 ∗ (𝑃𝑏𝑒𝑠𝑡 − 𝑝𝑜𝑠𝑝𝑎𝑟 ) + 𝑐2 ∗ 𝑟2(𝐺𝑏𝑒𝑠𝑡 − 𝑝𝑜𝑠𝑝𝑎𝑟 ), 𝑝𝑜𝑠𝑝𝑎𝑟(𝑡+1) = 𝑝𝑜𝑠𝑝𝑎𝑟 (𝑡) + 𝑉𝑝𝑎𝑟
(4)
Efek komponen sosialnya adalah bahwa setiap partikel terbang dengan kecepatan terkendali
menuju posisi terbaik yang ditemukan oleh lingkungan partikel,
6. Koefisien Akselerasi
Pada umumnya nilai-nilai untuk koefisien akselerasi 𝑐1 dan 𝑐2 = 2.0. Namun demikian, nilai koefisien
akselerasi tersebut dapat ditentukan sendiri yang digunakan di dalam penelitian yang berbeda, biasanya nilai 𝑐1
dan 𝑐2 adalah sama dan berada pada rentang antara 0 sampai 4. (Teguh, Soeprijanto, & H Purnomo, 2009)
7. Inertia Weight
Perubahan velocity pada algoritma PSO terdiri atas tiga bagian yaitu, sosial part, cognitive part dan
momentum part. ketiga bagian tersebut menentukan keseimbangan antara kemampuan penelusuran global dan
local, oleh karena itu dapat memberikan performansi yang baik pada PSO. Parameter inertia weight
digabungkan dengan sosial part didalam algoritma PSO standar. Persamaan dinamis dari PSO dengan inertia
weight (w) dimodifikasi menjadi :
Kedua dari persamaan diatas adalah sama kecuali ada penambahan parameter baru yaitu inertia weight (w).
Inertia weight diperkenalkan untuk keseimbangan antara kemampuan penelusuran global dan local. Secara
umum parameter inertia weight (w) diperoleh dengan menggunakan persamaan berikut :
𝑤 −𝑤
𝑤 = 𝑤𝑚𝑎𝑥 − 𝑚𝑎𝑥 𝑚𝑖𝑛 𝐼𝑡𝑒𝑟 (7)
𝐼𝑡𝑒𝑟𝑚𝑎𝑥
dengan :
𝑤𝑚𝑎𝑥 − 𝑤𝑚𝑖𝑛 : weight awal dan akhir
𝐼𝑡𝑒𝑟𝑚𝑎𝑥 : jumlah iterasi maksimum
𝐼𝑡𝑒𝑟 : jumlah iterasi yang ada
Inetia weight yang besar dapat memudahkan dalam penelusuran global sedangkan inertia weight yang kecil
memudahkan untuk penelusuran local. Penggunaan inertia weight dapat meningkatkan performansi dalam
beberapa apilkasi, beberapa penelitian menunjukkan bahwa ketika menggunakan inertiaweight faktor velocity
maksimum dapat menjadi sederhana yang diset dengan nilai pada rentang dinamis dari setiap variabel biasanya
antara 0.4 sampai 0.9. (Teguh, Soeprijanto, & H Purnomo, 2009)
mulai
Studi Literatur :
Mempelajari jurnal jurnal, buku, laporan dan catatan kuliah
yang berkaitan dengan judul tugas akhir , diantaranya
mengenai ekonomic dispatch dan aplikasinya
menggunakan metode PSO
Melakukan perhitungan :
Bangkitkan posisi awal sejumlah partikel dan tentukan
kecepatan awal secara random.
Evaluasi fitness dari setiap partikel berdasarkan posisinya.
Tentukan partikel dengan fitness terbaik, tetapkan sebagai
Gbest. Untuk setiap partikel, Pbest akan sama dengan posisi
awal.
Melakukan perhitungan :
Mendapatkan pembebanan pembangkitan
optimum
Membandingkan
perhitungan diatas dengan
real sistem.
kesimpulan
selesai
Tabel 3. Total biaya pembangkitan metode PSO Tabel 4. Total biaya pembangkitan riil sistem
Total beban (MW) Optimasi PSO Total beban (MW) Riil sistem
(Rp/jam) (Rp/jam)
34,25 21,318,678 34,25 27,735,542
36,68 23,164,415 36,68 28,344,924
36,96 23,371,718 36,96 28,682,718
37,23 23,570,566 37,23 29,014,169
37,63 23,863,258 37,63 29,565,607
Sedangkan untuk total penghematan biaya antara metode PSO dengan riil sistem adalah sebagai berikut :
Tabel 5. Total penghematan metode PSO dan rill sistem
Total beban (MW) Riil sistem Metode PSO Total penghematan (Rp/jam)
(Rp/jam) (Rp/jam)
34,25 27,735,542 21,318,678 6,416,864
36,68 28,344,924 23,164,415 5,180,509
36,96 28,682,718 23,371,718 5,311,112
37,23 29,014,169 23,570,566 5,443,602
37,63 29,565,607 23,863,258 5,702,348
Berikut ditampilkan grafik perbandingan penghematan biaya antara metode PSO dan riil sistem
Mbtu/jam
30.000.000
29.000.000
28.000.000
27.000.000
PSO
26.000.000
24.000.000
23.000.000
22.000.000
21.000.000
20.000.000 Beban(MW)
34,25 36,68 36,96 37,23 37,63
Dengan mengimplementasikan metode Particle Swarm Optimization (PSO) untuk menghitung optimasi
pembangkit (economic dispatch),diperoleh hasil pembangkitan seperti pada tabel 1. Untuk total biaya
pembangkitan menggunakan metode PSO PT.PUSRI dapat dilihat pada tabel 3. Hasil perhitungan biaya
pembangkitan metode PSO selanjutnya dibandingkan dengan data riil sistem pembangkitan PT.PUSRI yang
dapat dilihat pada gambar 4. Hasil perhitungan PSO memberikan performansi solusi yang lebih baik
dibandingkan dengan riil sistem dengan variasi daya yang dibangkitkan sama yaitu sebesar 34.25(MW) sampai
dengan 37.63(MW). Penghematan biaya yang di dapat dari perbandingan antara metode PSO dengan riil sistem
dapat dilihat pada tabel 5. Metode PSO dapat menghemat biaya sebesar Rp. 5,180,509 sampai dengan Rp.
6,416,864pada pembebanan 34,25(MW) sampai dengan 37,63(MW).
B. SARAN
Dapat dikembangkan metode optimasi economic dispatch dengan metode optimasi lainnya seperti metode
Simulated Annealing Algorithm (SAA), Algoritma Genetik (GA), Tabu Search Algorithm, Neural Network,
Extended Quadratic Interior Point, Ant Colony dan lain - lain untuk melihat performa dari masing-masing
metode optimasi. Dengan tujuan mendapatkan daya optimal dan biaya pembangkitan yang paling minimal .
DAFTAR PUSTAKA
Adrianti. (2010). Penjadwalan Ekonomis Pembangkit Thermal Dengan Memperhitungkan Rugi Rugi Saluran
Transmisi Menggunakan Metode Algoritma Genetik. Jurnal Universitas Andalas.
Komsiyah, S. (2012). Perbandingan Metode Gaussian Particle Swarm Optimization (Gpso) Dan Lagrange
Multiplier Pada Masalah Ekonomic Dispatch. Mathematics & Statistics Department, School Of
Computer Science, Binus University, Jakarta Barat.
Krisnandi, I., Dayawati, R. N., & Mubarok, M. S. (2013). Particle Swarm Optimization Untuk Permasalahan
Unit Commitment Pada Pembangkit Listrik. Tugas Akhir.
Nadjamuddin, H. (2011). Bahan Ajar Perancangan Pembangkitan Tenaga Listrik Tenaga Listrik. Universitas
Hasanuddin Makassar.
Santosa, B., & Willy, P. (2011). Particle Swarm Optimization (Pso), Metoda Metaheuristik, Konsep Dan
Implementasi. Graha Ilmu, Surabaya.
Setyawan, A. R. (2011). Optimasi Biaya Operasi Pembangkit Sistem Lampung Menggunakan Pso (Particle
Swarm Optimization). Skripsi Universitas Lampung, Bandar Lampung.
Syafi'i, & Delima. (2016). Operasi Ekonomis Dan Unit Commitment Pembangkit Thermal Pada Sistem
Kelistrikan Jambi. Jurnal.
Teguh, M. S., & Purnomo, H. M. (2009). Modified Improved Particle Swarm Optimaztion For Optimal
Generator Scheduling. Jurnal.
Vertiyani, A. (2013). Optimasi Penjadwalan Pembangkit Termis Pada Sistem Kelistrikan Lampung
Menggunakan Metode Pso (Particle Swarm Optimization). Tugas Akhir.
Wantoro, B. S., Hermawan, & Handoko, S. (2012). Particle Swarm Optimization Untuk Optimasi Penjadwalan
Penjadwalan Pembebanan Pada Unit Pembangkit Pltg Di Pltgu Tambak Lorok. Tugas Akhir Universitas
Diponegoro.
Wikarsa, M. T. (2010). Study Analysis Operasi Sistem Pembangkit Listrik. Tugas Akhir, Universitas Indonesia.