Anda di halaman 1dari 63

TUGAS AKHIR - TE 141599

ECONOMIC DISPATCH PADA SISTEM PEMBANGKIT 500KV


JAWA-BALI MENGGUNAKAN COMPOSITE GENERATION
COST FUNCTION DENGAN FIREFLY ALGORITHM

Lury Amatullah Lumba


NRP 2212 100 154

Dosen Pembimbing
Dr. Eng. Rony Seto Wibowo, ST., MT.
Heri Suryoatmojo, S.T., M.T., Ph.D.

DEPARTEMEN TEKNIK ELEKTRO


Fakultas Teknologi Elektro
Institut Teknologi Sepuluh Nopember
Surabaya 2017
FINAL PROJECT - TE 141599

ECONOMIC DISPATCH SYSTEM 500KV JAWA-BALI


GENERATOR USING COMPOSITE GENERATION COST
FUNCTION WITH FIREFLY ALGORITHM

Lury Amatullah Lumba


NRP 2212 100 154

Advisor
Dr. Eng. Rony Seto Wibowo, S.T., M.T.
Heri Suryoatmojo, S.T., M.T., Ph.D.

DEPARTMENT OF ELECTRICAL ENGINEERING


Faculty of Electrical Technology
Sepuluh Nopember Institute of Technology
Surabaya 2017
ECONOMIC DISPATCH PADA SISTEM PEMBANGKIT
500KV JAWA-BALI MENGGUNAKAN COMPOSITE
GENERATION COST FUNCTION DENGAN FIREFLY
ALGORITHM

Lury Amatullah Lumba


2212100154

Dosen Pembimbing I : Dr. Eng. Rony Seto Wibowo, ST., MT.


Dosen Pembimbing II : Heri Suryoatmojo, S.T., M.T., Ph.D.

Uraian Tugas Akhir:


Pada saat ini, konsumsi listrik sangat dibutuhkan oleh setiap
lapisan masyarakat yang ada di dunia. Terutama di Indonesia, listrik
merupakan kebutuhan yang sangat penting. Tidak hanya untuk rumah
tangga, namun perusahaan-perusahaan besar membutuhkan pasokan
listrik yang cukup besar. Hal ini menyebabkan perlunya pembangkit
listrik yang lebih efisien dan optimal. Sehingga perlunya penerapan
economic dispatch pada sistem pembangkit 500kV Jawa-Bali.
Economic Dispatch adalah pembagian pembebanan pada unit-unit
pembangkit yang ada dalam sistem secara optimal ekonomi pada
harga beban sistem tertentu. Dengan penerapan Economic Dispatch
maka akan didapatkan biaya pembangkitan yang minimum terhadap
produksi daya listrik yang dibangkitkan unit-unit pembangkit pada
suatu sistem kelistrikan. Pada Tugas Akhir ini digunakan metode
Firefly Algorithm. Metode ini merupakan algoritma berbasis
kecerdasan buatan (Artificial Intelligence) yang digunakan untuk
menyelesaikan persoalan optimasi. Metode ini merupakan teknik
optimasi algoritma yang terinspirasi dari perilaku kunang-kunang
(Firefly Behavior). Dari hasil simulasi yang dilakukan didapatkan
hasil biaya optimal dengan menggunakan Firefly Algorithm sebesar
Rp 6.92 M yang lebih hemat daripada Quadratic Programming
sebesar Rp 10 M, namun sedikit lebih mahal dibandingkan Cuckoo
Algorithm sebesar Rp 6.8 M.

Kata kunci: Economic Dispatch, Composite Generation Cost


Function, Firefly Algorithm

i
[Halaman ini sengaja dikosongkan]

ii
ECONOMIC DISPATCH SYSTEM 500KV JAVA-BALI
GENERATOR USING COMPOSITE GENERATION COST
FUNCTION WITH FIREFLY ALGORITHM

Lury Amatullah Lumba


2212100154

Supervisor I : Dr. Eng. Rony Seto Wibowo, ST., MT.


Supervisor II : Heri Suryoatmojo, S.T., M.T., Ph.D.

Abstract
At this time, power consumption is needed by every society in
the world. Especially in Indonesia, electricity is a very important
requirement. Not only for households, but large corporations require
considerable electrical supply. This leads to the need for power plants
more efficient and optimal. Thus the need for the application of
economic dispatch in power system 500kV Java-Bali. Economic
Dispatch is loading on the division generating units that exist in the
system optimally economy on the price of certain system load. With
the implementation of Economic Dispatch then we will get minimum
generation cost of the electricity generated power production
generating units on an electrical system. In this final project uses
methods Firefly Algorithm. This method is an algorithm based on
artificial intelligence (Artificial Intelligence) which is used to solve
optimization problems. This method is an algorithm optimization
technique inspired by the behavior of fireflies (Firefly Behavior).
From the simulation results obtained using the optimal cost Firefly
Algorithm Rp 6.92 M which is more efficient than Quadratic
Programming amounting to Rp 10 M, but slightly more expensive
than the Cuckoo Algorithm Rp 6.8 M.

Key words: Economic Dispatch, Composite Generation Cost


Function, Firefly Algorithm

iii
[Halaman ini sengaja dikosongkan]

iv
PERNYATAAN KEASLIAN
TUGAS AKHIR

Dengan ini saya menyatakan bahwa ini sebagian maupun


keseluruhan Tugas Akhir saya dengan “Economic Dispatch Pada Sistem
Pembangkit 500kV Jawa-Bali Menggunakan Composite Generation
Cost Function Dengan Firefly Algorithm” adalah benar-benar hasil
karya intelektual mandiri, diselesaikan tanpa menggunakan bahan-bahan
yang tidak diizinkan dan bukan merupakan karya pihak lain yang saya
akui sebagai karya sendiri.

Semua referensi yang dikutip maupun dirujuk telah ditulis secara


lengkap pada daftar pustaka.

Apabila ternyata pernyataan ini tidak benar, saya bersedia


menerima sanksi sesuai peraturan yang berlaku.

Surabaya, April 2017

Lury Amatullah Lumba


2212100154
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa
atas segala karunia yang diberikan sehingga penulis dapat menyelesaikan
buku Tugas Akhir ini yang berjudul Economic Dispatch Pada Sistem
Pembangkit 500kV Jawa-Bali Menggunakan Composite Generation Cost
Function Dengan Firefly Algorithm.
Tugas Akhir ini disusun sebagai salah satu persyaratan untuk
menyelesaikan jenjang pendidikan S1 pada bidang studi Teknik Sistem
Tenaga, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut
Teknologi Sepuluh Nopember, Surabaya.
Dalam proses penyelesaian Tugas Akhir ini, penulis banyak
mendapat bantuan, bimbingan, dan dukungan dari berbagai pihak. Oleh
karena itu, penulis mengucapkan terima kasih kepada:
1. Kedua orang tua tercinta, Ir. Lumba Saipul Rochman dan Dr. Ir. Sri
Wuryanti, M.Si. yang setiap saat selalu memberi dukungan, kasih
sayang, dan mengingatkan untuk terus berdoa, serta memberi
semangat dalam menyelesaikan Tugas Akhir ini.
2. Kedua adik tersayang, Lunnetta Safura Lumba yang selalu memberi
semangat dari kota asal, Bandung, dan Lucynda Thallibah Lumba
yang selalu disusahkan selama tinggal bersama di kota perjuangan,
Surabaya.
3. Dr. Eng. Rony Seto Wibowo, ST., MT., selaku Dosen Pembimbing I
Tugas Akhir dan Heri Suryoatmojo, S.T., M.T., Ph.D., selaku Dosen
Pembimbing II Tugas Akhir yang telah memberikan arahan, saran,
serta bimbingan kepada penulis selama proses pengerjaan Tugas
Akhir ini. Juga bu Ir. Ni Ketut Aryani, M.T. sebagai dosen yang
sangat membantu dalam proses pembelajaran untuk sidang akhir.
4. Seluruh dosen Jurusan Teknik Elektro ITS yang telah memberikan
bimbingan dan ilmu pengetahuan serta pengajaran selama proses
perkuliahan penulis.
5. Teman-teman seperjuangan Tugas Akhir, Dheny Azhari dan Daya
Juang, serta teman-teman dari lab. B103 yang turut membantu
penulis dalam proses pengerjaan Tugas Akhir ini dan saling
memberikan motivasi satu sama lain.
6. Geng Alpaka, yaitu Nitya, Vira, Dwi, Tika, dan Fauziah yang sama-
sama merantau selalu memberi warna sehari-hari penulis di kota
perjuangan.

vi
7. Intan Amalia, S. Hum. yang selalu memberi semangat, masukan,
mewarnai hari, dan membantu segala sesuatu yang dibutuhkan saat
merantau di kota perjuangan.
8. Fakhriy Khairi dan teman kontrakan lainnya yang selalu disusahkan
bila penulis butuh bantuan selama merantau.
9. Teman Baik, yaitu Jul, Opik, Billy, Bayu, Renan, dan Domble
sebagai penggembira yang selalu ada selama penulis merantau di
Surabaya.
10. Geng K4, yaitu Eka, Vatia, dan Vanessa yang selalu memberi
semangat dan dukungan dari kota asal, Bandung.
11. Mas Purwanto, karyawan bursa elektro yang selalu membantu saat
penulis susah dan senang.
12. Teman-teman E52 yang sudah menjadi keluarga besar pertama dan
membantu penulis selama kuliah di kota perantauan penulis.
13. Faisalputraf serta geng Café Teoria dan geng The Light Cup Café
yang selalu ada disaat penulis membutuhkan teman di kota
perantauan.
14. Semua pihak yang tidak dapat penulis sebutkan satu per satu yang
juga memberikan banyak dukungan selama proses pengerjaan Tugas
Akhir ini.
Dalam proses pengerjaan Tugas Akhir ini, penulis menyadari dan
memohon maaf atas segala kekurangan di dalam Tugas Akhir ini. Semoga
Tugas Akhir ini dapat memberi manfaat bagi penelitian dan Tugas Akhir
di kemudian hari.

Surabaya, Maret 2017

Penulis

vi
DAFTAR ISI

Halaman
HALAMAN JUDUL
LEMBAR KEASLIAN
LEMBAR PENGESAHAN
ABSTRAK………………………………………………………………i
ABSTRACT……………………………………………………………iii
KATA PENGANTAR…………………………………………………..v
DAFTAR ISI…………………………………………………………..vii
DAFTAR GAMBAR…………………………………………………...ix
DAFTAR TABEL……………………………………………………...xi

BAB 1. PENDAHULUAN……………………………………………..1
1.1. Latar Belakang………………………………………………..1
1.2. Perumusan Masalah…………………………………………..1
1.3. Batasan Masalah……………………………………………...2
1.4. Tujuan………………………………………………………...2
1.5. Metode Penelitian…………………………………………….2
1.6. Sistematika Penulisan………………………………………...3
1.7. Relevansi……………………………………………………...3

BAB 2. ECONOMIC DISPATCH MENGGUNAKAN COMPOSITE


GENERATION COST FUNCTION………………………….5
2.1. Sistem Tenaga Listrik…………………………………………5
2.2. Economic Dispatch……………………………………………5
2.2.1 Formula Permasalahan…………………………………..6
2.3. Composite Generation Cost Function………………………....8
2.4. Sistem Pembangkit 500kV Jawa-Bali………………………..10

BAB 3. ECONOMIC DISPATCH MENGGUNAKAN FIREFLY


ALGORITHM……………………..…………………………13
3.1. Firefly Algorithm (FA) ………………………………………13
3.1.1. Pengertian FA………………………………………….13
3.1.2. Kebiasaan Kunang-Kunang…………………………...14
3.1.3. Konsep………………………………………………...15
3.1.4. Keatraktifan……………………………………………15
3.1.5. Jarak…………………………………………………...16
3.1.6. Pergerakan……………………………………………..16

vii
3.2. Software yang Digunakan….………………………………...18
3.3. Data Masukan………………………………………………...19

BAB 4. SIMULASI DAN ANALISA………………………………...21


4.1. Data Pembangkit Jawa-Bali 500kV………………………….21
4.2. Perhitungan Composite Generation Cost Function………….23
4.3. Simulasi Economic Dispatch dengan Firefly Algorithm…….24
4.3.1. Paramter sistem kelistrikan…………………………...25
4.3.2. Simulasi ED dengan menggunakan FA untuk
menentukan biaya total optimal ……………………...25
4.3.3. Hasil nilai biaya total pada tiap-tiap
pembangkit……………………..……………………..27
4.4. Menentukan Biaya Untuk Tiap-Tiap Unit pada Pembangkit...28
4.5. Perbandingan Dengan Metode lain…………………………..29
4.5.1. Quadratic Programming………………………………….29
4.5.2. Cuckoo Algorithm……………………………………..29

BAB 5. PENUTUP……………………………………………………31
5.1. Kesimpulan…………………………………………………..31
5.2. Saran………………………………………………………….31

DAFTAR PUSTAKA………………………………………………….33
LAMPIRAN…………………………………………………………...35
I. Script Firefly Algorithm……………………………………...35
II. Script Constraint Check……………………………………...44
RIWAYAT HIDUP……………………………………………………47

vii
DAFTAR GAMBAR

Halaman
Gambar 2.1 Flowchart perhitungan composite cost function………….9
Gambar 2.2 Single Line Diagram Sistem 500kV Jawa-Bali…………11
Gambar 3.1 Flowchart pengelesaian Economic Dispatch menggunakan
Firefly Algorithm…………………….………………….17
Gambar 4.1 Grafik hasil simulasi economic dispatch dengan firefly
algorithm menggunakan Matlab………….……………..25
Gambar 4.2 Grafik hasil optimasi pembangkit Paiton………….........28

ix
[Halaman ini sengaja dikosongkan]

x
DAFTAR TABEL

Halaman
Tabel 4.1. Tabel persamaan heatrate untuk pembangkit Suralaya…...21
Tabel 4.2. Tabel persamaan heatrate untuk pembangkit Tanjung
Jati………………………………………………………...21
Tabel 4.3. Tabel persamaan heatrate untuk pembangkit Gresik……..21
Tabel 4.4. Tabel persamaan heatrate untuk pembangkit Paiton……...22
Tabel 4.5. Tabel persamaan heatrate untuk pembangkit Grati……….22
Tabel 4.6. Tabel persamaan heatrate untuk pembangkit Saguling…...22
Tabel 4.7. Tabel persamaan heatrate untuk pembangkit Cirata……...22
Tabel 4.8. Tabel persamaan heatrate untuk pembangkit Muara
Tawar……………………………………………………..23
Tabel 4.9. Data fungsi biaya pembangkit Jawa-Bali 500kV yang telah
dikomposit dengan iterasi lambda………………………...24
Tabel 4.10. Parameter Firefly Algorithm………………………………24
Tabel 4.11. Tabel hasil Run untuk menentukan total biaya yang
optimal…..………………………………………………..26
Tabel 4.12. Tabel daya optimal untuk tiap-tiap pembangkit…...……..27
Tabel 4.13. Tabel Menentukan Biaya Untuk Tiap-Tiap Unit pada
Pembangkit Paiton…...…………………………………...28
Tabel 4.14. Tabel perbandingan dengan metode lain dalam Rp/jam….29

xi
[Halaman ini sengaja dikosongkan]

xii
BAB 1
PENDAHULUAN

1.1. LATAR BELAKANG


Pembangkit tenaga listrik merupakan bagian alat industri yang
memproduksi tenaga listrik dengan berbagai sumber tenaga. Pada saat ini,
konsumsi listrik sangat dibutuhkan oleh setiap lapisan masyarakat yang
ada di dunia. Terutama di Indonesia, listrik merupakan kebutuhan yang
sangat penting. Tidak hanya untuk rumah tangga, namun perusahaan-
perusahaan besar membutuhkan pasokan listrik yang cukup besar.
Kemudian, seiring dengan meningkatnya jumlah populasi dan
kesejahteraan manusia menyebabkan kebutuhan energi listrik terus
meningkat juga. Permintaan daya listrik yang terus bertambah
menyebabkan daya listrik yang disuplai oleh pembangkit menjadi lebih
besar. Untuk memenuhi kebutuhan energi manusia dibutuhkan kapasitas
pembangkit yang terus meningkat sehingga mengharus menggunakan
pembangkit lebih dari satu unit pembangkit yang beroperasi [1].
Efisiensi dan pengoperasian ekonomis suatu pembangkit tenaga
listrik selalu memegang peranan yang penting di dalam industri tenaga
listrik. Salah satu permasalahan dalam pengoperasian ekonomis
pembangkit tenaga listrik adalah economic dispatch, yaitu bagaimana
mendapatkan biaya operasi yang minimum dengan tetap memenuhi
batasan yang ada. Economic dispatch memerlukan optimasi dengan
mengkombinasikan kondisi linear maupun non-linear, batasan-batasan
yang ada, algoritma perhitungan, dan penggunaan komputer [2].

1.2. PERUMUSAN MASALAH


Permasalahan yang terdapat pada Tugas Akhir ini adalah:
1. Bagaimana menentukan pembebanan yang optimal pada sistem
pembangkit 500kV Jawa-Bali sehingga kebutuhan beban dapat
terpenuhi dengan biaya yang paling minimal?
2. Apakah composite generation cost function dapat menyederhanakan
banyaknya generator pada tiap-tiap pembangkit?
3. Bagaimana metode Firefly Algorithm menggunakan diterapkan
dalam Economic Dispatch?
4. Apakah metode Firefly Algorithm dapat mengoptimalkan sistem 500
Jawa-Bali?

1
1.3. BATASAN MASALAH
1. Perhitungan ED dilakukan pada sistem tenaga listrik
2. Sistem dalam keadaan stabil
3. Perhitungan Unit Commitment tidak disertakan
4. Simulasi dilakukan dengan menggunakan software Matlab.

1.4. TUJUAN
1. Mendapatkan biaya minimal untuk pembangkitan dengan metode FA
menggunakan composite generation cost function pada pembangkit
tenaga listrik.
2. Dengan composite generation cost function dapat mempermudah
dalam menyederhanakan banyaknya generator pada tiap pembangkit.

1.5. METODE PENELITIAN


Metode penelitian yang akan digunakan untuk menyusun Tugas
Akhir ini adalah sebagai berikut:
A. Studi Literatur
Literature yang akan digunakan pada Tugas Akhir ini berasal dari
paper, jurnal, text book, dan Tugas Akhir yang sudah ada. Dalam
studi literature dipelajari tentang economic dispatch, firefly
algorithm, dan load flow analysis.
B. Pengumpulan Data
Data yang diperlukan adalah generator, bus, saluran, beban, kapasitas
maksimum dan minimum pembangkit, biaya pembangkit.
C. Pemodelan Sistem
Melakukan pemodelan terhadap sistem sehingga dapat diketahui
fungsi biaya dari pembangkit.
D. Perhitungan yang Digunakan
Metode FA menggunakan composite generation cost function yang
merupakan sebuah teknik yang berguna untuk memudahkan
perhitungan untuk menentukan pembebanan yang optimal
diperuntukan mengembangkan kurva biaya produksi generasi
komposit untuk semua unit bahan bakar yang tidak dibatasi [3].
E. Penyusunan Laporan
Hasil penelitian yang telah dilakukan dilaporkan dalam bentuk
laporan tugas akhir. Laporan tersebut berisi metode dan kesimpulan
dari penelitian.

2
1.6. SISTEMATIKA PENULISAN
Tugas akhir ini disusun dengan format sistematika sebagai berikut:
BAB 1. PENDAHULUAN
Penjelasan tentang latar belakang masalah, perumusan masalah,
batas-batas permasalahan, tujuan penelitian, dan relevansi tugas
akhir.
BAB 2. ECONOMIC DISPATCH MENGGUNAKAN COMPOSITE
GENERATION COST FUNCTION PADA SISTEM
PEBANGKIT 500KV JAWA-BALI
Pada bab ini membahas tentang economic dispatch, sistem
pembangkit 500kV Jawa-Bali, dan composite generation cost
function.
BAB 3. PENERAPAN FIREFLY ALGORITHM PADA
ECONOMIC DISPATCH MENGGUNAKAN COMPOSITE
GENERATION COST FUNCTION PADA SISTEM
PEBANGKIT 500KV JAWA-BALI
Pada bab ini membahas tentang penerapan Firefly Algorithm
pada economic dispatch menggunakan composite generation
cost function pada pembangkit 500kV Jawa-Bali.
BAB 4. SIMULASI DAN ANALISIS
Pada bab ini membahas analisa hasil optimasi permasalahan
economic dispatch dengan menerapkan firefly algorithm
menggunakan composite generation cost function pada sistem
pembangkit 500kV Jawa-Bali.

BAB 5. PENUTUP
Pada bab kelima ini berisi kesimpulan dan saran.

1.7. RELEVANSI
Penelitian tugas akhir ini bertujuan sebagai berikut:
1. Mengetahui perhitungan economic dispatch dengan menggunakan
firefly algorithm.
2. Dapat dijadikan acuan untuk menentukan daya listrik yang
dibangkitkan oleh pembangkit dengan biaya yang minimal.
3. Dapat menjadi referensi bagi mahasiswa lain yang hendak
mengambil masalah yang serupa untuk tugas akhir kelak.
4. Dapat menjadi referensi penelitian untuk mengembangkan metode
optimasi yang lebih handal.

3
[Halaman ini sengaja dikosongkan]

4
BAB 2
ECONOMIC DISPATCH MENGGUNAKAN COMPOSITE
GENERATION COST FUNCTION

2.1 Sistem Tenaga Listrik


Sistem tenaga listrik secara umum terdiri dari unit-unit pembangkit
yang terhubung dengan saluran untuk melayani beban. Sistem tenaga
listrik yang memiliki banyak mesin biasanya menyalurkan daya kebeban
melalui saluran interkoneksi. Tujuan utama dari sistem saluran
interkoneksi adalah untuk menjaga kontinuitas dan ketersediaan tenaga
listtrik terhadap kebutuhan beban yang terus meningkat. Semakin
berkembang sistem tenaga listrik dapat mengakibatkan lemahnya
performansi sistem ketika mengalami gangguan. Salah satu efek
gangguan adalah osilasi elektromekanik yang jika tidak diredam dengan
baik maka sistem akan terganggu dan dapat keluar dari area kestabilannya
sehingga mengakibatkan pengaruh yang lebih buruk seperti pemadaman
total (black out) [10].
Secara umum sistem tenaga listrik dibagi menjadi beberapa bagian,
yaitu:
a. Pembangkit
b. Transmisi
c. Beban atau konsumen
Bagian terbesar dari pembiayaan adalah untuk bahan baku energi,
selain itu fluktuasi pemakaian listrik selalu terkait dari penggunaan
energi listrik oleh beban. Pembiayaan terbesar ini terletak di
pembangkit–pembangkit, sehingga sangat diperlukan cara
pengoperasian total pembangkitan yang efisien.
Dengan terhubung banyak pembangkit kedalam sebuah sistem
interkoneksi memberikan kemungkinan pengaturan output setiap
pembangkit dan biaya pembangkitan dapat diatur pada tingkat yang
rendah/optimum.

2.2 Economic Dispatch


Pada saat ini, permasalahan economic dispatch merupakan
permasalahan yang cukup penting dan perlu diperhatikan dalam sektor
energi. Tujuan utama economic dispatch adalah menjadwalkan keluaran
unit pembangkit agar dapat memenuhi permintaan beban pada suatu
sistem dengan biaya operasi seminimal mungkin [2]. Secara traditional
permasalahan ED dapat diselesaikan dengan berbagai variasi metode

5
pragramming matematis seperti lambda-iteration, base point and
participation factors, interior point, metode gradien, dan dynamical
programming method. Metode – metode ini termasuk metode lama yang
tidak efektif bekerja ketika menghadapi sebuah fungsi persamaan biaya
yang tidak linear [3].
Metode yang digunakan adalah Firefly Algoritm yang merupakan
algoritma metaheuristik yang terinspirasi dari perilaku kedip cahaya
kunang-kunang. Terdapat dua fungsi dasar kedip cahaya tersebut, yaitu
untuk menarik perhatian kunang-kunang yang lain (komunikasi) dan
untuk menarik mangsa [4]. Berdasarkan beberapa literatur yang
digunakan, menyatakan bahwa FA mempunyai performansi yang lebih
baik dibandingkan dengan Particle Swarm Optimization (PSO) dan
Genetic Algorithm (GA) untuk kasus optimasi seperti optimasi fungsi
Michalewicz, Rosenbrock, De Jong, Schwefel, Ackley, Rastrigin, Easom,
Griewank, Yang dan Shubert [5]. Beberapa metode konvensional yang
telah digunakan untuk Economic dispatch adalah metode iterasi lambda,
metode Langrange, Dynamic Programming dan lain-lain. Pada Tugas
Akhir ini, simulasi dilakukan pada pembangkit pada sistem 500 KV Jawa
Bali. Hasil optimisasi Economic Dispatch menggunakan FA akan
dibandingkan dengan Economic Dispatch menggunakan metode
konvensional, yaitu metode iterasi lambda. Selanjutnya daya output
pembangkit tidak boleh melebihi kapasitas transmisi [6].
Economic dispatch adalah pembagian pembebanan pada setiap unit
pembangkit sehingga diperoleh kombinasi unit pembangkit yang dapat
memenuhi kebutuhan beban dengan biaya yang optimum atau dengan
kata lain untuk mencari nilai optimum dari output daya dari kombinasi
unit pembangkit yang bertujuan untuk meminimalkan total biaya
pembangkitan [1]. Setiap pembangkit mempunyai karakteristik yang
berbeda-beda sehingga berpengaruh pada fungsi kebutuhan dan biaya
bahan bakarnya. Perbedaan karakteristik itu dipengaruhui oleh jenis
bahan bakar dan efisiensi dari pembangkit.

2.2.1 Formula Permasalahan


Pengoperasian fasilitas pembangkit untuk menghasilkan energi pada
biaya terendah untuk andal melayani konsumen, mengakui batas-batas
operasional pembangkit dan fasilitas transmisi.

6
a. Fungsi Objektif
Tujuan utama dari dispatch ekonomi adalah untuk meminimalkan
fungsi biaya berikut:
𝑁

∑ 𝐹(𝑃𝑖 ) = 𝑎𝑖 + 𝑏𝑖 (𝑃𝑖 ) + 𝑐𝑖 (𝑃𝑖 2 )


𝑖=1
Dimana:
F =total biaya pembangkitan selama periode dispatch
a,b,c=koefisien biaya pembangkitan pada ke-i generator
P =daya output pembangkitan pada ke-i generator
N =jumlah unit pembangkitan
b. Constraints
Terdapat equality dan inequality sebagai berikut:
i) Equality Constraints
Pembangkit listrik sebenarnya adalah pertimbangan dalam
hal pekerjaan proyek untuk masalah pengiriman, persamaan
keseimbangan kekuatan nyata sendiri dianggap untuk Equality
Constraints.
𝑁

∑ 𝑃𝑖 = 𝑃𝑏𝑒𝑏𝑎𝑛
𝑖=1
ii) Inequality Constraints
Dalam kekuatan komponen sistem dan perangkat memiliki
operasi batas, & batas-batas ini diciptakan untuk kendala
keamanan. Dengan demikian tujuan diperlukan Fungsi dapat
diminimalkan dengan mempertahankan jaringan komponen
dalam batas-batas keamanan. Hal ini membawa konsep kendala
ketimpangan.
Jenis yang paling biasa kendala ketimpangan yang tegangan
bus atas batas di generasi pada beban bus, Batas tegangan bus
lebih rendah pada generasi pada beban bus, bus lebih rendah
tegangan batas di beberapa generator dan garis maksimum
memuat batas, batas atas nyata pembangkit listrik di bus
Generator, batas bawah dari pembangkit listrik nyata pada bus
pembangkit.
 Real Power Operating Limit
P min ≤ P ≤ P max

7
2.3 Composite Generation Cost Function
Sebuah teknik yang berguna untuk memudahkan prosedur kontrak
pasokan bahan bakar take-or-pay adalah untuk mengembangkan kurva
biaya produksi generasi komposit untuk semua unit yang non bahan bakar
yang dibatasi. Misalnya, ada N non bahan bakar dibatasi unit yang akan
dijadwalkan dengan unit bahan bakar yang dibatasi. Kemudian biaya
kurva komposit untuk unit 1, 2, ... , N yang dapat dikembangkan.

𝐹𝑆 (𝑃𝑆 ) = 𝐹1 (𝑃1 ) + ⋯ + 𝐹𝑁 (𝑃𝑁 )

Dimana, 𝑃𝑆 = 𝑃1 + ⋯ + 𝑃𝑁
𝑑𝐹 𝑑𝐹 𝑑𝐹
Dan, 1 = 2 = ⋯ = 𝑁 = 𝝀
𝑑𝑃1 𝑑𝑃2 𝑑𝑃𝑁

𝑑𝐹𝑖
Sehingga, 𝜆𝑚𝑖𝑛 = min ( , 𝑖 = 1 … 𝑁) dan,
𝑑𝑃𝑖
𝑑𝐹𝑖
𝜆𝑚𝑎𝑥 = max ( , 𝑖 = 1 … 𝑁)
𝑑𝑃𝑖

Jika salah satu unit mengenai batas, output tetap konstan. Sebuah
prosedur sederhana untuk memungkinkan seseorang untuk menghasilkan
Fs (Ps) terdiri dari menyesuaikan 𝛌 dari 𝛌min ke 𝛌maks ditetapkan secara
bertahap, dimana
𝑑𝐹𝑖
𝜆𝑚𝑖𝑛 = min( , 𝑖 = 1 … 𝑁)
𝑑𝑃𝑖
𝑑𝐹𝑖
𝜆𝑚𝑎𝑥 = max( , 𝑖 = 1 … 𝑁)
𝑑𝑃𝑖
Komposit pada pembangkit merupakan fungsi biaya pembangkit
gabungan, fungsi biaya tersebut berasal dari karakteristik input-output
pada pembangkit. Penyelesaian fungsi biaya pembangkit gabungan
menggunakan komputer. Hal yang paling mendasar dalam pengoperasian
sistem tenaga listrik adalah membuat kurva komposit untuk menperoleh
fungsi biaya pada unit pembangkit. Karakteristik ini diperoleh dari desain
perencanaan atau melalui tes pembangkit. Pada setiap pembangkit
thermal memiliki fungsi biaya yang berbeda-beda tergantung dari heat
rate dan batasan daya yang dihasilkan generator serta jenis bahan bakar
yang digunakan dari masing-masing pembangkit tersebut. Prosedur
pembuatan kurva komposit ini, 𝜆 ditentukan terlebih dahulu. Dari nilai

8
heat rate dan daya output generator akan didapatkan 𝜆min dan 𝜆maks.
Kemudian, dengan menggunakan syarat optimum dihitung 𝑃𝑖 [10].

Gambar 2.1 Flowchart perhitungan composite cost function

9
2.4 Sistem Pembangkit 500kV Jawa-Bali
Sistem tenaga listrik Jawa-Bali dihubungkan oleh Saluran Udara
Tegangan Ekstra Tinggi (SUTET) 500 kV dan Saluran Udara Tegangan
Tinggi (SUTT) 150 kV dan 70 kV. Region-region pada sistem
dihubungkan oleh sistem transmisi 500 kV yang merupakan tulang
punggung pensuplai daya sistem tenaga listrik Jawa-Bali. Daya
berkapasitas besar dialirkan oleh pembangkit-pembangkit utama dari
region 1 (satu) sampai dengan region 4 (empat) melalui saluran transmisi
500 kV, yang kemudian di Gardu Induk Tegangan Ekstra Tinggi (GIET)
500 kV diturunkan tegangannya menjadi 150 kV melalui Inter Bus
Transformer (IBT) 500/150 kV. Hal ini menjadikan IBT 500/150 kV
sebagai sumber pasokan utama sistem 150 kV. Pada sistem 150 kV, juga
terdapat unit-unit pembangkit yang memasok kebutuhan daya subsistem
region yang meliputi daerah yang lebih terbatas. Aliran daya pada sistem
150 kV ini kemudian akan dialirkan pada pusat-pusat beban (Gardu Induk
150 kV) atau diturunkan lagi level tegangannya menjadi 70 kV melalui
I.B.T. 150/70 kV dan dialirkan ke gardu-gardu induk 70 kV melalui
saluran transmisi 70 kV. Region-region ini juga dihubungkan dengan
saluran transmisi 150 kV untuk mengalirkan kekurangan daya tambahan
atau menyalurkan daya yang berlebihan ke region lain. [13]
Pada sistem Jawa Bali 500 kV terdiri dari atas 25 bus dengan 30
saluran dan 8 pembangkit. Diantara 8 pembangkit merupakan pembangkit
tenaga air, sedangkan pembangkit yang lainnya merupakan pembangkit
tenaga uap. Sistem interkoneksi 500 kV Jawa-Bali terbagi menjadi 4
region yaitu Region 1 terdiri dari wilayah provinsi Jakarta Raya dan
Banten. Region 2 meliputi wilayah Jawa Barat. Jawa Tengah dan D.I.Y
merupakan region 3 serta Jawa Timur dan bali yang merupakan region 4
Sistem Jawa Bali 500 kV dapat digambarkan dalam bentuk single line
diagram [11].

10
Gambar 2.2 Single Line Diagram sistem 500kV Jawa-Bali

11
[Halaman ini sengaja dikosongkan]

12
BAB 3
ECONOMIC DISPATCH MENGGUNAKAN FIREFLY
ALGORITHM

3.1 Firefly Algorithm (FA)

3.1.1 Pengertian FA
Firefly Algorithm adalah salah satu metode kecerdasan buatan yang
baru-baru ini dikembangkan oleh Xin Dia Yang pada tahun 2008. Hal ini
semacam metode stokastik yang terinspirasi pada alam meta-heuristik
algoritma yang dapat diterapkan untuk memecahkan masalah yang paling
sulit dalam hal optimasi. Algoritma stokastik berarti bahwa ia
menggunakan sebagai semacam pengacakan dengan mencari set solusi.
Hal ini terinspirasi oleh lampu berkedip dari kunang-kunang di alam.
Heuristik berarti untuk menemukan solusi dengan trial and error. Dalam
tingkat algoritma ini lebih rendah berarti Heuristic dan tingkat yang lebih
tinggi berarti Meta-Heuristic. Tingkat yang lebih rendah terkonsentrasi
pada generasi baru solusi dalam ruang pencarian dan dengan demikian
memilih yang terbaik solusi untuk bertahan hidup. Di sisi lain,
pengacakan memungkinkan proses pencarian untuk menghindari solusi
yang terjebak dalam optimasi lokal. Juga, FA adalah penduduk
berdasarkan. populasi berbasis algoritma yang memiliki kelebihan bila
dibandingkan dengan algoritma lainnya.
Fireflies (Coleoptera: Lampyridae) adalah salah satu kebanyakan
pesona semua serangga, mereka menampilkan pancaran yang telah
memberi inspirasi kepada ilmuwan. Saat ini, lebih dari 2000 spesies ada
di seluruh dunia. Biasanya, kunang-kunang hidup di lingkungan yang
hangat dan mereka paling aktif di malam musim panas. Banyak peneliti
memiliki attractiveness terhadap fenomena kunang-kunang di alam dan
terdapat banyak makalah tentang meneliti kunang-kunang, Fireflies akan
ditandai dengan cahaya berkedip mereka diproduksi oleh proses biokimia
bio-luminescence. Flashing seperti cahaya dapat berfungsi sebagai sinyal
pancaran utama format. Selain menarik minat kawin, lampu berkedip juga
dapat berfungsi untuk memperingatkan dari adanya potensi predator.
Bila diperhatikan pada spesies kunang-kunang terdapat kemiripan
dengan orang dewasa yang mampu melakukan bio-luminescence.
Subspesies menarik pasangan mereka karena feromon, mirip dengan
semut. Pada kunang-kunang, tractions bioluminescent berlangsung dari
light producing organ yang disebut lentera. Organisme yang paling

13
bercahaya akan termodulasi secara berlahan dengan flashes (juga
bersinar) yang kontras. Dalam orang dewasa di banyak kunang-kunang
spesies mampu mengendalikan bioluminescence mereka dalam rangka
untuk memancarkan berkedip tinggi dan diskrit. Lentera diawali dengan
sinyal yang berasal dalam sistem saraf pusat dari kunang-kunang.
Sebagian besar spesies kunang-kunang mengandalkan
bioluminescent sinyal pacaran. Biasanya, signalers pertama terbang laki-
laki, yang mencoba untuk menarik betina terbang di tanah. Menanggapi
sinyal-sinyal ini, betina memancarkan terus menerus atau lampu
berkedip. Kedua pasangan kawin menghasilkan yang berbeda pola sinyal
lampu kilat yang tepat waktunya untuk mengkodekan informasi seperti
identitas spesies dan jenis kelamin. Wanita tertarik menurut perbedaan
perilaku di sinyal pancaran. Biasanya, perempuan lebih cerah berkedip
laki-laki. Hal ini juga diketahui bahwa intensitas lampu kilat bervariasi
dengan jarak dari sumber. Untungnya, di beberapa spesies betina kunang-
kunang tidak bisa membedakan antara berkedip lebih jauh yang
dihasilkan oleh sumber cahaya kuat dan berkedip lebih dekat diproduksi
oleh sumber cahaya lemah.
Dua fitur yang karakteristik untuk kecerdasan berkelompok adalah
self-organisasi dan pengambilan keputusan desentralisasi. Di sini,
individu otonom hidup bersama dalam umum tempat seperti, misalnya,
lebah di sarang, semut di anthills, dll. Dalam rangka untuk hidup dalam
harmoni, beberapa interaksi atau komunikasi dibutuhkan antara anggota
kelompok yang tinggal bersama. Bahkan, individu dalam kelompok tidak
bisa berperilaku seolah-olah mereka soliter, tetapi harus beradaptasi
dengan tujuan keseluruhan dalam kelompok. Kehidupan sosial kunang-
kunang adalah tidak hanya didedikasikan untuk mencari makan, tapi lebih
ke reproduksi. Keputusan kolektif ini terhubung erat dengan perilaku
lampu berkedip yang menjabat sebagai biologis utama dasar untuk
mengembangkan algoritma kunang-kunang.

3.1.2 Kebiasaan Kunang-Kunang


Langit biru penuh dengan lampu-lampu kunang-kunang. Ini adalah
sebuah tanda mengagumkan di musim panas. Ada dua ribu spesies
kunang-kunang, dan sebagian besar dari kunang-kunang menghasilkan
berkedip berirama. Pola berkedip, jumlah berkedip dan tingkat waktu
untuk berkedip yang diamati bersama-sama membentuk semacam
prototipe yang menarik baik laki-laki dan perempuan sama lain. spesies

14
betina bertindak dalam menanggapi dengan prototipe individu dari
spesies laki-laki.
Intensitas cahaya pada jarak tertentu (r) dari sumber cahaya sesuai
dengan hukum kuadrat terbalik. Ini adalah intensitas cahaya I terus
menurun sebagai jarak r akan meningkatkan dalam hal I = 1/𝑟 2 . Selain
itu, udara terus menyerap cahaya yang menjadi lemah dengan
meningkatkan di kejauhan. Kedua faktor ketika dikombinasikan maka
kunang-kunang yang paling terlihat pada jarak yang terbatas, biasanya
untuk beberapa ratus meter di malam hari, yang cukup untuk kunang-
kunang untuk berkomunikasi satu sama lain.

3.1.3 Konsep
Sekarang kita dapat mengkhususkan beberapa berkedip
karakteristik kunang-kunang sehingga dapat mengembangkan kunang-
kunang-terinspirasi algoritma. Berkedip karakteristik kunang-kunang
digunakan untuk mengembangkan algoritma kunang-kunang-terinspirasi.
algoritma Firefly bekerja atas dasar tiga aturan dan tiga faktor utama.
Faktor utama adalah intensitas cahaya dan daya tarik, jarak dan gerakan
kunang-kunang. Aturan-aturannya adalah sebagai berikut:
1. Semua kunang-kunang bersifat unisex, jadi suatu kunang-kunang akan
tertarik pada kunang-kunang yang lain.
2. Daya tarik sebanding dengan tingkat kecerahan kunang-kunang,
kunang-kunang dengan tingkat kecerahan lebih rendah akan tertarik
dan bergerak ke kunang-kunang dengan tingkat kecerahan lebih tinggi,
kecerahan dapat berkurang seiring dengan bertambahnya jarak dan
adanya penyerapan cahaya akibat faktor udara. Jika diantara kunang-
kunang tidak ada yang bersinar lebih terang, kunang-kunang akan
bergerak dengan random.
3. Kecerahan atau intensitas cahaya kunang-kunang ditentukan oleh nilai
fungsi tujuan dari masalah yang diberikan. Untuk masalah maksimisasi,
intensitas cahaya sebanding dengan nilai fungsi tujuan [14].

3.1.4 Ketertarikan
Misalkan itu adalah malam dengan kegelapan mutlak, di mana satu-
satunya cahaya tampak adalah cahaya yang dihasilkan oleh kunang-
kunang. Intensitas cahaya dari tiap kunang-kunang sebanding dengan
kualitas dari solusi, itu saat ini berada di. Dalam rangka meningkatkan
solusi sendiri, kunang-kunang perlu untuk maju menuju kunang-kunang

15
yang memiliki emisi cahaya terang daripada sendiri. Setiap kunang-
kunang mengamati penurunan intensitas cahaya dari satu kunang-kunang
benar-benar memancarkan, karena penyerapan udara di atas jarak.
Ada dua isu penting dalam algoritma kunang-kunang, variasi
intensitas cahaya dan perumusan tarik. Untuk mempermudah, kita selalu
dapat mengasumsikan bahwa daya tarik dari kunang-kunang ditentukan
oleh kecerahan. Hokum tarik kunang-kunang yang berdiam.

3.1.5 Jarak
Jarak antara kunang-kunang i dan j pada lokasi x, xi dan xj dapat
ditentukan ketika dilakukanya peletakan titik dimana firefly tersebut
disebar secara random dalam diagram kartesius dengan rumus. Dimana
selisih dari koordinat lokasi kunang-kunang i terhadap kunang-kunang j
merupakan jarak diantara keduanya (rij).

𝑟𝑖𝑗 = √(xi − xj) 2 + ( yi − yj) 2

3.1.6 Pergerakan
Pergerakan kunang-kunang i yang bergerak menuju tingkat itensitas
cahaya yang terbaik dapat dilihat dari persamaan berikut:
1
𝑥𝑖 = 𝑥𝑖 + 𝛽0 ∗ exp(-ɤ𝑟𝑖𝑗2 )∗ (𝑥𝑗 – 𝑥𝑖) + 𝛼 ∗ (𝑟𝑎𝑛𝑑 − )
2
Dimana variable awal xi menunjukan posisi awal kunang-kunang
yang berada pada lokasi x, kemudian persamaan kedua yang terdiri dari
variable β0 = 1.0 variabel ini merupakan nilai keaktratifan awal pada
firefly, variabel (exp) bilangan eksponensial, variabel γ =1.0 merupakan
nilai untuk tingkat penyerapan pada lingkungan sekitar firefly yaitu udara
dan terakhir rij merupakan variabel selisih jarak awal antara firefly i dan
j. Semua variabel pada persamaan kedua tersebut diberikan dari fungsi
keatraktifan firefly yang mana menentukan tingkat kecerahan.
Selanjutnya persamaan ketiga terdiri dari selisih nilai solusi pada firefly i
terhadap firefly j. Kemudian fungsi persamaan pergerakan firefly secara
random (rand) yang menunjukan adanya bilangan random yang
kisarannya antara [0,1]. Variabel α yang memiliki kisaran antara [0,1]
biasa ditentukan dengan nilai 0,2. Semua variabel yang terbentuk pada
persamaan pergerakan firefly menjamin cara kerja algoritma cepat
menuju solusi yang optimal. Prosedur standar untuk menerapkan Firefly
Algorithm adalah sebagai berikut:

16
1. Inisialisasi populasi firefly, jumlah iterasi dan parameter firefly
algorithm.
2. Evaluasi fungsi fitness pada tiap firefly.
3. Inisialisasi kemampuan fungsi awal sebagai penentuan tingkat
itensitas cahaya awal.
4. Update pergerakan tiap firefly menggunakan persamaan pergerakan.
5. Bandingkan tiap calon firefly terbaik dari nilai fungsi fitness agar
mendapatkan nilai firefly terbaik.
6. Lakukan sampai batas iterasi atau sampai mendapatkan firefly
dengan fungsi fitness yang cukup baik.

Gambar 3.1 Flowchart pengelesaian Economic Dispatch menggunakan


Firefly Algorithm

17
Berdasarkan flowchart diatas, akan terjadi proses iterasi dengan
menginisiasi algoritma attractiveness firefly kemudian meng-update
pergerakan firefly sampai dengan iterasi mencapai batas maksimal.
Dengan algoritma attractiveness dan update sebagai berikut:

Attractiveness:
2
𝛽 = 𝛽0 𝑒 𝛾𝑟
Dengan r sama dengan rumus jarak diatas.

Update:
2
𝑋𝑖 = 𝑥𝑖 + 𝛽0 𝑒 𝛾𝑟𝑖,𝑗 (𝑥𝑖 − 𝑥𝑗 ) + 𝛼(𝑟𝑎𝑛𝑑 − 1⁄2)

Pada saat mengiterasi, proses ini akan mengiterasi daya-daya pada


tiap-tiap pembangkit dengan daya-daya pada tiap pembangkit ini akan
dibawa oleh satu firefly, sehingga pada proses ini, daya-daya pada tiap-
tiap pembangkit akan berubah sesuai besarnya iterasi dengan hasilnya
akan didapat total biaya optimum untuk semua pembangkit.

3.2 Software yang Digunakan


Dalam tugas akhir mengunakan analisa economic dispatch dengan
fungsi biaya tidak mulus untuk meminimalkan biaya operasi pembangkit
pada sistem tenaga listrik, Untuk mendapatkan hasil analisa economic
dispatch digunakan simulasi menggunakan software Matlab. Software
Matlab digunakan untuk mengolah data dan mensimulasikan algortima
kunang-kunang (firefly algorithm) untuk menemukan penyelesaian
permasalahan economic dispatch pada sistem tenaga listrik. Software
matpower ini berisi tools simulasi dan dapat dimodifikasi dengan mudah.
Software Matlab sendiri merupakan suatu program computer yang
bisa membantu memecahkan berbagai masalah matematis yang kerap
ditemui dalam bidang teknis. Kita bisa memanfaatkan kemampuan
Matlab untuk menemukan solusi dari berbagai masalah numerik secara
cepat, mulai dari hal paling dasar hingga yang kompleks, seperti mencari
akar-akar polinomial, interpolasi dari sejumlah data, perhitungan dengan
matrik, pengolahan data, dan metode numerik.
Salah satu aspek yang sangat berguna dari Matlab ialah
kemampuannya untuk menggambarkan berbagai jenis grafik, sehingga
kita bisa menvisualisasikan data dan fungsi yang kompleks.

18
3.3 Data masukan
Pada simulasi ini memerlukan beberapa data yang akan diolah oleh
Matlab itu sendiri seperti data pembangkit serta daya maksimum dan daya
minimum, dan juga memerlukan nilai dari komposit dari masing – masing
pembangkit sehingga simulasi ini dapat di jalankan. Dalam melakukan
simulasi Software Matlab ini disertakan karakteristik dari ecomomic
dispatch sehingga didapatkan biaya minimal dari biaya operasi
pembangkit tenaga listrik.
Data yang diperlukan untuk melakukan simulasi adalah data dari
pembangkit sistem jawa bali, yang terdiri atas:
1. Data daya pembangkitan
Dalam tugas akhir ini digunakan data dari sistem jawa bali yang
terdiri dari 8 unit pembangkit. Menyajikan batasan minimum dan
maksimum dari masing-masing pembangkitan dan batasan dari
setiap pembangkit serta data-data dari biaya pembangkitannya.
2. Data daya beban
Data daya beban yang digunakan dari sistem jawa bali diambil dari
semua beban pembangkitan.
3. Data karakteristik economic dispatch
Menyajikan data cost function.

Data daya pembangkitan, data daya beban akan dipergunakan untuk


running economic dispatch dalam penentuan pengaturan daya yang
paling optimal dari masing-masing unit pembangkit dari sistem tenaga
listrik. Data karakteristik economic dispatch digunakan untuk
menghitung biaya pembangkitan pada masing-masing generator.

19
[Halaman ini sengaja dikosongkan]

20
BAB 4
SIMULASI DAN ANALISA

Dalam Tugas Akhir ini dilakukan simulasi untuk mendapatkan biaya


yang optimal dari pembangkit. Metode utama yang digunakan untuk
menyelesaikan permasalahan ini adalah Firefly Algorithm.

4.1 Data Pembangkit Sistem Jawa-Bali 500kV


Dalam tugas akhir ini digunakan data dari sistem Jawa Bali yang
terdiri dari 8 unit pembangkit. Tabel 4.1 sampai dengan Tabel 4.8
merupakan data Incremental Cost dari tiap-tiap pembangkit sebelum
dikomposit. Data beban pertama diperoleh dari data lapangan melalui PT
PLN Jawa-Bali yaitu menggunakan data pembebanan pada tanggal 2
Januari 2016.
Tabel 4.1 Tabel persamaan Incremental Cost untuk pembangkit Suralaya
Pembangkit c b a Pmin Pmax
Unit 1 8,891,886.08 392,198.27 -47.79 200 373
Unit 2 8,891,886.08 392,198.27 -47.79 200 373
Unit 3 8,891,886.08 392,198.27 -47.79 200 373
Unit 4 8,891,886.08 392,198.27 -47.79 200 373
Unit 5 3,687,930.078 421,614.90 -56.78 301 585
Unit 6 3,687,930.078 421,614.90 -56.78 301 585
Unit 7 3,687,930.078 421,614.90 -56.78 301 585

Tabel 4.2 Tabel persamaan Incremental Cost untuk pembangkit


Tanjung Jati
Pembangkit c b a Pmin Pmax
Unit 1 18,527,152 284,810.35 10.11 407.28 659.75
Unit 2 18,527,152 284,810.35 10.11 407.28 659.75
Unit 3 18,527,152 284,810.35 10.11 407.28 659.75

Tabel 4.3 Tabel persamaan heat-rate untuk pembangkit Gresik


Pembangkit c b a Pmin Pmax
Unit 1 14,620,577.86 1,376,991 618.9437 115 160
Unit 2 31,140,257.14 1,329,820 274.7114 164 315
Unit 3 32,279,368.13 1,323,092 165.6632 250 480

21
Tabel 4.4 Tabel persamaan Incremental Cost untuk pembangkit Paiton
Pembangkit a b c Pmin Pmax
Unit 1 248.53 177,955 39,146,501 225 370
Unit 2 248.53 177,955 39,146,501 225 370
Unit 3 -135.49 468,710 -144,921.05 305 610
Unit 4 -135.49 468,710 -144,921.05 305 610
Unit 5 -139.82 449,624 3,243,419.91 302 615
Unit 6 -139.82 449,624 3,243,419.91 302 615

Tabel 4.5 Tabel persamaan Incremental Cost untuk pembangkit Grati


Pembangkit a b c Pmin Pmax
Unit 1 12,064 737,619.94 83,650,302 40 99
Unit 2 12,064 737,619.94 83,650,302 40 99
Unit 3 12,064 737,619.94 83,650,302 40 99
Unit 4 12,064 737,619.94 83,650,302 40 99
Unit 5 12,064 737,619.94 83,650,302 40 99
Unit 6 -2.790 2,830,748.1 16,154,434 40 100.2
Unit 7 -2.790 2,830,748.1 16,154,434 40 100.2
Unit 8 -2.790 2,830,748.1 16,154,434 40 100.2

Tabel 4.6 Tabel persamaan Incremental Cost untuk pembangkit


Saguling
Pembangkit a b c Pmin Pmax
Unit 1 0 8,000 0 87.5 175
Unit 2 0 8,000 0 87.5 175
Unit 3 0 8,000 0 87.5 175
Unit 4 0 8,000 0 87.5 175

Tabel 4.7 Tabel persamaan Incremental Cost untuk pembangkit Cirata


Pembangkit a b c Pmin Pmax
Unit 1 0 12,000 0 100 200
Unit 2 0 12,000 0 100 200
Unit 3 0 12,000 0 100 200
Unit 4 0 12,000 0 100 200
Unit 5 0 12,000 0 100 200

22
Tabel 4.8 Tabel persamaan Incremental Cost untuk pembangkit Muara
Tawar
Pembangkit a b c Pmin Pmax
Unit 1 -2,255.0 929,051.5 -5,583,029 72 135
Unit 2 -2,255.0 929,051.5 -5,583,029 72 135
Unit 3 -2,255.0 929,051.5 -5,583,029 72 135
Unit 4 -2,255.0 929,051.5 -5,583,029 72 135
Unit 5 -2,255.0 929,051.5 -5,583,029 72 135
Unit 6 -1,373.5 805,527.4 -25,356,046 162 195
Unit 7 67.6024 335,820.3 19,176,004 210 390
Unit 8 289.523 49,744.65 104,680,540 315 585
Unit 9 -8,284.2 3,413,039 -20,510,271 72 135
Unit 10 -8,284.2 3,413,039 -20,510,271 72 135
Unit 11 -1,329.3 1,669,763 53,310,993 35 140
Unit 12 -1,329.3 1,669,763 53,310,993 35 140
Unit 13 -1,329.3 1,669,763 53,310,993 35 140
Unit 14 -1,329.3 1,669,763 53,310,993 35 140
Unit 15 -1,329.3 1,669,763 53,310,993 35 140
Unit 16 -1,329.3 1,669,763 53,310,993 35 140

4.2 Perhitungan Composite Generation Cost Function


Pada perhitungan ini, berdasarkan data Incremental Cost diatas yang
pertama dilakukan adalah membuat iterasi lambda. Dengan menentukan
lambda minimum dan maksimum untuk tiap-tiap unit pada pembangkit.
Sebagai contoh untuk pembangkitan Suralaya:
a. Contoh untuk perhitungan mencari lambda minimum
𝑑𝐹
= ((2𝑎)𝑃𝑚𝑖𝑛) + 𝑏 = 𝜆𝑚𝑖𝑛
𝑑𝑃
𝜆𝑚𝑖𝑛 = ((2 × -47.79)200) + 392,198.27=373,082.52

b. Contoh untuk perhitungan mencari lambda maksimum


𝑑𝐹
= ((2𝑎)𝑃𝑚𝑎𝑥) + 𝑏 = 𝜆𝑚𝑎𝑥
𝑑𝑃
𝜆𝑚𝑎𝑥 = ((2 ×-47.79)373) + 392,198.27=356,547.39

Kemudian, setelah mendapatkan lambda setiap unit, dilakukannya


iterasi lambda, sehingga didapat nilai batas daya minimum dan

23
maksimum. Dari data Ps(MW) dan Fs(Rp/h) tersebut diperoleh fungsi
biaya pembangkit gabungan, sebagai berikut:

Tabel 4.9 Data komposit fungsi biaya pembangkit Jawa-Bali 500kV


dengan iterasi lambda
Pem-
bang- a b c Pmin Pmax
kit
Suralaya -9.1668 413,479.4 40,667,794.55 1,703 3,247
Paiton -49.904 577,947.3 -147,742,233 1,954 2,900
Muara
-844.63 5,247,780 -5,092,250,789 1,851 2,811.2
Tawar
Gresik 137.25 1,254,309 109,613,816.7 529 955
Tanjung
3.3716 284,810.3 55,581,456.83 1,221 1,979.2
Jati
Grati 4,020.1 -2,637,684 1,872,961,834 500.6 615
Cirata 0 12,000 0 500 1,000
Saguling 0 8,000 0 350 700

4.3 Simulasi Economic Dispatch dengan Firefly Algorithm


Setelah didapat fungsi biaya pembangkit Jawa-Bali 500kV yang telah
dikomposit dengan iterasi lambda, data dapat diolah dengan Firefly
Algorithm pada software Matlab untuk mendapatkan biaya yang paling
optimal.
Hal yang pertama dilakukan adalah menentukan inisiasi yang akan
digunakan untuk mengimplementasikan FA dalam menyelesaikan ED
pada sistem Jawa-Bali 500kV, ditampilkan pada tabel sebagai berikut:

Tabel 4.10 Parameter Firefly Algorithm


Parameter FF Iterasi alpha beta gamma
1 30 2,500 0.5 1.0 0.6

Parameter pada Tabel 4.10 digunakan secara konsisten dalam


keseluruhan simulasi ini dengan menggunakan FA. Jumlah firefly
menyatakan jumlah penyimpan solusi ED. Alpha merupakan konstanta
yang menyatakan kemampuan intensitas cahaya pada masing-masing

24
firefly, yang diatur pada nilai 0.5. Sedangkan, untuk beta dan gamma
merupakan konstanta yang diperlukan FA untuk meng-update pergerakan
dan intensitas cahaya pada masing-masing firefly.

4.3.1. Parameter Sistem Kelistrikan


Pada Tugas Akhir ini, terdapat beberapa parameter yang digunakan
untuk simulasi economic dispatch dengan menggunakan firefly
algorithm. Salah satunya adalah total beban yang harus dipenuhi. Nilai
total beban yang harus dipenuhi adalah 11363.4MW. Kemudian,
parameter lainnya adalah iterasi maksimal. Iterasi maksimal yang
digunakan pada metode firefly ini adalah sebesar 2500. Dipilih iterasi
sebanyak 500 agar mendapatkan hasil yang konvergen. Parameter lainnya
adalah banyaknya generator yang diolah pada metode ini, yaitu sebanyak
8 generator. Batas daya yang ditentukan sesuai dengan Tabel 4.9, daya
maksimal dan minimal yang sudah dikomposit.

4.3.2. Simulasi ED dengan menggunakan FA untuk menentukan


biaya total optimal
Pada simulasi firefly algorithm dengan economic dispatch
menggunakan Matlab didapatkan hasil biaya total yang optimal. Namun,
pada saat di run beberapa kali didapat hasil yang berbeda-beda. Maka,
dilakukan run sebanyak 10 kali untuk membandingkan hasil yang paling
optimal. Hasil simulasi pada Matlab sebagai berikut:

Gambar 4.1 Grafik hasil simulasi economic dispatch dengan firefly


algorithm menggunakan Matlab

25
Setelah didapat hasil seperti pada grafik diatas, terdapat bentuk yang
berbeda-beda dikarenakan hasil nilai biaya total yang berbeda-beda pada
tiap-tiap hasil run. Nilai biaya total pada tiap-tiap hasil run sebagai
berikut:

Tabel 4.11 Tabel hasil Running untuk menentukan total biaya yang
optimal
Total Biaya
Running ke- (Rp × juta
/jam)
1 6,929
2 6,989
3 7,099
4 6,895
5 6,920
6 6,945
7 6,926
8 7,005
9 6,833
10 7,035
Min 6,833
Max 7,099
Mean 6,958
SDV 1.09%

Berdasarkan hasil nilai biaya total pada tiap-tiap hasil run didapat
hasil yang berbeda-beda dengan selisih yang sangat kecil, yaitu dengan
standar deviasi sebesar 1.09% dan rata-rata sebesar
6,958,149,484Rp/jam. Berbeda-bedanya hasil run disebabkan karena
metode firefly algorithm ini berdasarkan trial and error sehingga firefly
akan mencari hasil dengan nilai yang random, maka setelah dicoba
dengan 10 kali hasil run akan didapat hasil optimal yang random.
Setelah didapat hasil nilai biaya total yang berbeda-beda, untuk
menentukan mana yang paling optimal adalah berdasarkan nilai rata-rata.
Pada 10 hasil run, nilai yang paling mendekati dengan nilai rata-rata
adalah hasil run yang pertama, karena semakin kecil nilai SDV berarti
nilai persebarannya semakin mendekati rata-rata. Sehingga biaya total

26
yang paling optimal pada sistem ini dengan metode firefly algorithm
adalah sebesar 6,929,676,358 Rp/jam.

4.3.3. Hasil nilai biaya total pada tiap-tiap pembangkit


Setelah dapat ditentukan hasil biaya total yang optimal, kemudian
menentukan hasil nilai biaya total pada tiap-tiap pembangkit. Setelah
sistem di-dispatch dengan metode firefly algorithm menggunakan
Matlab, didapatkan hasil sebagai berikut:

Tabel 4.12 Tabel pembebanan optimal untuk tiap-tiap pembangkit


Biaya Total
Pembangkit Beban (MW) (Rp ×
juta/jam)
Suralaya 3,247.0 1,286
Paiton 2,690.7 1,046
Muara Tawar 1,873.1 1,773
Gresik 529.0 811
Tanjung Jati 1,324.4 438
Grati 500.6 1,559
Cirata 818.8 9
Saguling 379.8 3
Total 6,929

Berdasarkan Tabel 4.12, didapat hasil biaya total yang optimal pada
tiap-tiap pembangkit dengan pembagian daya yang dibangkitkan sesuai
dengan kemampuan tiap-tiap pembangkit. Pada tiap-tiap pembangkit
diberi pembagian beban yang berbeda-beda. Contohnya, untuk
pembangkit Suralaya mendapat pembagian beban maksimal atau sebesar
nilai Pmax-nya, hal ini dikarenakan pembangkit Suralaya memiliki biaya
total yang sangat murah untuk membangkitkan beban yang besar.
Sedangkan, pembangkit Gresik dan Grati mendapat pembagian beban
yang minimal atau sebesar Pmin-nya, hal ini dikarenakan kedua
pembangkit ini membutuhkan biaya yang mahal untuk membangkitkan
beban sesuai dengan pembagiannya. Dan untuk pembangkit sisanya,
Paiton; Muara Tawar; Tanjung Jati; Cirata; dan Saguling mendapat
pembagian beban yang besarnya diantara Pmin dan Pmax-nya, hal ini
dikarenakan firefly menentukan secara random agar hasil untuk
pembagian beban tetap optimal dan sesuai batas kemampuan pada
pembangkit.

27
4.4 Menentukan Biaya Untuk Tiap-Tiap Unit pada Pembangkit
Selanjutnya untuk menentukan biaya pada tiap-tiap pembangkit,
yaitu dengan men-ED kembali pembangkit tersebut, bila sudah ditentukan
nilai daya dan biaya optimal pada pembangkit tersebut. Sebagai contoh
untuk pembangkit Paiton, setelah di ED pembangkit ini memiliki daya
optimal sebesar 2690.7 MW. Kemudian, dengan metode yang sama tiap
unit pada Paiton di ED dengan firefly algorithm akan didapat daya dan
biaya optimal pada tiap-tiap unitnya.

Tabel 4.13 Tabel pembebanan tiap unit pada pembangkit Paiton


Foptimal
Pembangkit Pmin Pmax Poptimal (Rp × juta
/jam)
Unit 1 225 370 272.8 105
Unit 2 225 370 284.6 109
Unit 3 305 610 565.6 221
Unit 4 305 610 383.2 159
Unit 5 302 615 605.0 224
Unit 6 302 615 579.3 216

Gambar 4.2 Grafik hasil optimasi pembangkit Paiton

28
4.5 Perbandingan Dengan Metode Lain
Untuk dapat mengetahui apakah metode ini memiliki kelebihan atau
kekurangan, maka dapat dibandingkan dengan metode lain. Metode lain
yang dipilih adalah Quadratic Programing dan Cuckoo Algorithm.

4.5.1. Quadratic Programming


Pada metode ini hasil total biaya yang didapatkan adalah sebesar
10,749,972,892.3 Rp/jam. Hasilnya cukup berbeda jauh dengan metode
firefly algorithm. Hal ini menandakan bahwa metode firefly algorithm
lebih murah dan optimal dalam mendapatkan hasil yang paling
diinginkan.

4.5.2. Cuckoo Algorithm


Pada metode ini hasil total biaya yang didapatkan adalah sebesar
6,847,332,395 Rp/jam. Hasilnya hampir sama, namun pada metode ini
dapat menghasilkan biaya total yang sedikit lebih murah daripada metode
firefly algorithm. Sehingga, metode ini sedikit lebih efektif daripada
metode firefly algorithm.

Tabel 4.14 Tabel perbandingan dengan metode lain dalam Rp/jam


Nama Metode Hasil Perhitungan (Rp/jam)
Firefly Algorithm 6,929,676,358.4
Quadratic Programming 10,749,972,892.3
Cuckoo Algorithm 6,847,332,395.0

29
[Halaman ini sengaja dikosongkan]

30
BAB 5
PENUTUP

5.1 Kesimpulan
Dari hasil simulasi Firefly Algorithm pada Tugas Akhir ini dapat
ditarik kesimpulan, yaitu:
1. Besarnya nilai iterasi mempengaruhi hasil simulasi pada tugas akhir
ini. Setiap pembangkit memiliki nilai iterasi minimal tersendiri untuk
mencapai nilai konvergen. Untuk data pembangkit ini, pada nilai
iterasi ke-500 sudah dapat mencapai nilai konvergen.
2. Dengan menggunakan Composite Generation Cost Function dapat
mempermudah untuk mengolah data pada setiap generator yang
memiliki pembangkit yang lebih dari dua, sehingga saat pengolahan
data dengan metode AI lebih sederhana.
3. Metode Firefly Algorithm dapat memperkecil biaya pembangkitan,
sehingga metode ini cukup optimal untuk mengoptimalkan biaya
pembangkitan.
4. Dengan nilai Mean=6,958,149,484Rp/jam dan dengan SDV=1.09%,
maka dapat ditentukan bahwa nilai biaya total=6,929,676,358.4
Rp/jam.
5. Penggunaan Firefly Algorithm jauh lebih hemat dibanding
menggunakan Quadratic Programming dengan FA sebesar Rp
6,92M sedangkan Quadprog sebesar Rp 10M.
6. Penggunaan Cuckoo Algorithm sedikit lebih murah dibanding
menggunakan Firefly Algorithm dengan FA sebesar Rp 6,92M
sedangkan Cuckoo Algorithm sebesar Rp 6,8M.

5.2 Saran
Saran yang dapat diberikan untuk penelitian dibidang sistem tenaga
berdasarkan hasil dan analisa pada Tugas Akhir ini, antara lain:
1. Untuk penelitian ke depannya dengan menggunakan Firefly
Algorithm dapat mempertimbangkan losses yang dihasilkan dalam
sistem pembangkit.
2. Untuk penelitian ke depannya, faktor emisi bisa dimasukan kedalam
fungsi objektif tugas akhir.
3. Untuk penelitian ke depannya, dapat mempertimbangkan beban yang
tidak mulus.

31
[Halaman ini sengaja dikosongkan]

32
DAFTAR PUSTAKA

[1] Syafii, Monice. “OPERASI EKONOMIS (Economic Dispatch)


PEMBANGKIT MELAYANI BEBAN PUNCAK KELISTRIKAN
SUMBAR”. November, 2013.
[2] Setiadi, Herlambang. “Penalaan Parameter Superconducting
Magnetic Energy Storage (SMES) menggunakan Firefly Algorithm
(FA) pada Sistem Tenaga Listrik Multimesin”. 2014.
[3] Robandi, Imam. “Modern Power System Control”. Penerbit ANDI.
Yogyakarta. 2009.
[4] Rumana, Dante. Dr. Ir. Hermawan, DEA. Mochammad Facta, ST,
MT. “Implementasi Algoritma Genetik dalam Economic Dispatch
dengan Valve Point Loading”. Desember. 2012.
[5] B. H. Chowdhury dan S. Rahman, “A review of recent advances in
economic dispatch,” IEEE Trans Power Syst., vol. 5, no. 4, pp. 1248–
1259, Apr. 1990.
[6] Hadhi, Benny Prastikha. Optimisasi Unit Commitment
Mempertimbangkan Fungsi Biaya Tidak Mulus Dengan Firefly
Algorithm. Surabaya. 2014.
[7] Jati, Gilang Kusuma. “ANALISIS DAN IMPLEMENTASI
FIREFLY ALGORITHM (FA) PADA MASALAH TRAVELLING
SALESMAN PROBLEM (TSP)”. 2011.
[8] “http://digilib.its.ac.id/public/ITS-Undergraduate-19172-
chapter1pdf.pdf”. Diakses pada tanggal 22 Mei 2016.
[9] Wood, Allen J.. Power Generation Operation And Control. 1996.
[10] Fasich, Moh. Pengaruh Proyek Kelistrikan 10.000 MW pada Biaya
Listrik Lokal di Sistem Jawa Bali 500 KV. 2013.
[11] PT PLN (Persero),”Statistik PLN 2011 dan RUPTL 2011-2020”,
URL:http://www.pln.co.id,2011
[12] Arjana, Gede. Analisis Stabilitas Transient Pada Sistem Tenaga
Listrik dengan Mempertimbangkan Beban Non-Linear. 2012
[13] Sawai, S. Y. M. Wilhelmina. Studi Aliran Sistem Tenaga Listrik
Interkoneksi Jawa-Bali. 2008.
[14] Nadu, Tamil. Economic Dispatch Using Firefly Algorithm. Maret,
2014.

33
[Halaman ini sengaja dikosongkan]

34
LAMPIRAN

I. Script Firefly Algorithm


clear all;
clc;
tic

% INISIASI AWAL
alpha = 0.5; % parameter
firefly ()
betamin = 1.0; % parameter
firefly ()
gamma = 0.6; % parameter
firefly ()
firefly = 30; % jumlah firefly
it = 0; % iterasi awal
iterasi_max = 500; % iterasi maksimum

%Parameter Sistem Kelistrikan


ngen = 8;
Beban = 11363.4; % beban
awal 11494;
pmin_max = [1703 3247 % daya max dan
daya max dari setiap generator
1954 2900
1851 2811.234
529 955
1221.84 1979.25
500.6 615
500 1000
350 700];
koef_biaya_genA = [-9.166894088 413479.4495
40667794.55]; % didapatkan dari rumus ax^2+bx+c
koef_biaya_genB = [-49.90432603 577947.3721 -
147742233.8];
koef_biaya_genC = [-844.6359886 5247780.388 -
5092250789];
koef_biaya_genD = [137.2510918 1254309.502
109613816.7];

35
koef_biaya_genE = [3.371620619 284810.3599
55581456.83];
koef_biaya_genF = [4020.136237 -2637684.398
1872961834];
koef_biaya_genG = [0 12000 0];
koef_biaya_genH = [0 8000 0];

fuel_cost_genA = [1.0 0.0 0.0


0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genB = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genC = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genD = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genE = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genF = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genG = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];
fuel_cost_genH = [1.0 0.0 0.0
0.0 1.0 0.0
0.0 0.0 1.0];

%INISIASI POSISI AWAL PARTIKEL


for i=1:ngen % i = baris 1 sampai ke
8
for j=1:firefly % j = kolom 1 sampai ke
(jumlah firefly)
posisi_awal(j,i)= (pmin_max(i,2)-
pmin_max(i,1))*rand + pmin_max(i,1);
%(i,2)=(baris,kolom)

36
end
end

for j=1:firefly % j = kolom 1 sampai ke (jumlah


firefly)

[posisi_awal(j,:)]=Constraint_Check(posisi_awal(
j,:), Beban, pmin_max(:,1)', pmin_max(:,2)',
ngen);
end
jumlah_p = sum(posisi_awal'); % posisi awal
generator di total semua
% for K = 1:firefly
% if jumlah_p(K) < Beban % jika
posisi awal generator kurang dari Beban MW maka
:
% korektor(K) = ((Beban -
jumlah_p(K))/ngen);
% posisi_awal(K,:) = posisi_awal(K,:)+
korektor(K);
% elseif (jumlah_p(K) > Beban) % jika posisi
awal generator lebih dari Beban MW maka :
% korektor(K) = ((jumlah_p(K) -
Beban)/ngen);
% posisi_awal(K,:) = (posisi_awal(K,:) -
korektor(K));
% end
% end

P_1 = posisi_awal(:,1); % daya pembangkit 1


P_2 = posisi_awal(:,2); % daya pembangkit 2
P_3 = posisi_awal(:,3); % daya pembangkit 3
P_4 = posisi_awal(:,4); % daya pembangkit 4
P_5 = posisi_awal(:,5); % daya pembangkit 5
P_6 = posisi_awal(:,6); % daya pembangkit 6
P_7 = posisi_awal(:,7); % daya pembangkit 7
P_8 = posisi_awal(:,8); % daya pembangkit 8

matriks_A = koef_biaya_genA*fuel_cost_genA;
%mencari matriks dari setiap generator

37
matriks_B = koef_biaya_genB*fuel_cost_genB;
matriks_C = koef_biaya_genC*fuel_cost_genC;
matriks_D = koef_biaya_genD*fuel_cost_genD;
matriks_E = koef_biaya_genE*fuel_cost_genE;
matriks_F = koef_biaya_genF*fuel_cost_genF;
matriks_G = koef_biaya_genG*fuel_cost_genG;
matriks_H = koef_biaya_genH*fuel_cost_genH;

biaya_genA = (matriks_A(1,1).*(P_1).^2)
+(matriks_A(1,2).*(P_1))+matriks_A(1,3);
%memasukkan rumus ax^2+bx+c
biaya_genB = (matriks_B(1,1).*(P_2).^2)
+(matriks_B(1,2).*(P_2))+matriks_B(1,3);
biaya_genC = (matriks_C(1,1).*(P_3).^2)
+(matriks_C(1,2).*(P_3))+matriks_C(1,3);
biaya_genD = (matriks_D(1,1).*(P_4).^2)
+(matriks_D(1,2).*(P_4))+matriks_D(1,3);
biaya_genE = (matriks_E(1,1).*(P_5).^2)
+(matriks_E(1,2).*(P_5))+matriks_E(1,3);
biaya_genF = (matriks_F(1,1).*(P_6).^2)
+(matriks_F(1,2).*(P_6))+matriks_F(1,3);
biaya_genG = (matriks_G(1,1).*(P_7).^2)
+(matriks_G(1,2).*(P_7))+matriks_G(1,3);
biaya_genH = (matriks_H(1,1).*(P_8).^2)
+(matriks_H(1,2).*(P_8))+matriks_H(1,3);
total_biaya = biaya_genA+ biaya_genB+
biaya_genC+ biaya_genD+ biaya_genE+
biaya_genF+biaya_genG+biaya_genH; % digunakan
untuk mencari lightbest

inequal=[P_1<1703 P_1>3247 P_2<1954 P_2>2900


P_3<1851 P_3>2811.234 P_4<529 P_4>955
P_5<1221.84 P_5>1979.25 P_6<500.6 P_6>615
P_7<500 P_7>1000 P_8<350 P_8>700];
inequLITY = sum(inequal');
clear j
for j=1:firefly
if inequLITY(j)>0
total_biaya(j)=2*10^10;
end

38
end

%equality
jumlah_p = sum(posisi_awal'); % posisi awal
generator di total semua
for K = 1:firefly
if jumlah_p(K) < Beban % jika posisi
awal generator kurang dari Beban MW maka :
total_biaya(K)=2*10^10;
end
end

[lambda,In]=min(total_biaya); % biaya
minimum
lightbest =lambda;
posisi_best=posisi_awal(In,:);

clear j i
posisi_firefly=posisi_awal;

for ikj=1:firefly,
% Parameter Attractiveness Kunang-Kunang :
beta=exp(-gamma*r)
for jkj=1:firefly,

r=sqrt(sum((posisi_firefly(ikj,:)-
posisi_firefly(jkj,:)).^2));
% MengUpdate Pergerakan kunang-kunang
if total_biaya(ikj)>total_biaya(jkj), %
Apakah lebih terang dan attractive
beta0=0.5; beta=(beta0)*exp(-
gamma*r.^2);
tmpf=alpha.*((rand(1,1))-
0.5);
% xn(ikj,:)=xn(ikj,:).*(1-
beta)+nso(jkj,:).*beta+tmpf;
%
posisi_firefly(ikj,:)=posisi_firefly(ikj,:)+beta
0.*exp(-gamma*r.^2)+tmpf;

39
posisi_firefly(ikj,2)=posisi_firefly(ikj,2).*(1-
beta)+(posisi_firefly(jkj,2).*beta)+tmpf;

posisi_firefly(ikj,3)=posisi_firefly(ikj,3).*(1-
beta)+(posisi_firefly(jkj,3).*beta)+tmpf;

posisi_firefly(ikj,4)=posisi_firefly(ikj,4).*(1-
beta)+(posisi_firefly(jkj,4).*beta)+tmpf;

posisi_firefly(ikj,5)=posisi_firefly(ikj,5).*(1-
beta)+(posisi_firefly(jkj,5).*beta)+tmpf;

posisi_firefly(ikj,6)=posisi_firefly(ikj,6).*(1-
beta)+(posisi_firefly(jkj,6).*beta)+tmpf;

posisi_firefly(ikj,7)=posisi_firefly(ikj,7).*(1-
beta)+(posisi_firefly(jkj,7).*beta)+tmpf;

posisi_firefly(ikj,8)=posisi_firefly(ikj,8).*(1-
beta)+(posisi_firefly(jkj,8).*beta)+tmpf;
posisi_firefly(ikj,1)=Beban-
sum(posisi_firefly(ikj,2:8));
end
end
end

%[Pgg]=Constraint_Check(Pgg, Pd, Bb, Ba,


jum_variabel)
for j=1:firefly % j = kolom 1 sampai ke (jumlah
firefly)

[posisi_firefly(j,:)]=Constraint_Check(posisi_fi
refly(j,:), Beban, pmin_max(:,1)',
pmin_max(:,2)', ngen);
end

while it <iterasi_max
it =it+1;

40
P_1 = posisi_firefly(:,1); % daya
pembangkit 1
P_2 = posisi_firefly(:,2); % daya
pembangkit 2
P_3 = posisi_firefly(:,3); % daya
pembangkit 3
P_4 = posisi_firefly(:,4); % daya
pembangkit 4
P_5 = posisi_firefly(:,5); % daya
pembangkit 5
P_6 = posisi_firefly(:,6); % daya
pembangkit 6
P_7 = posisi_firefly(:,7); % daya
pembangkit 7
P_8 = posisi_firefly(:,8); % daya
pembangkit 8

matriks_A = koef_biaya_genA*fuel_cost_genA;
%mencari matriks dari setiap generator
matriks_B = koef_biaya_genB*fuel_cost_genB;
matriks_C = koef_biaya_genC*fuel_cost_genC;
matriks_D = koef_biaya_genD*fuel_cost_genD;
matriks_E = koef_biaya_genE*fuel_cost_genE;
matriks_F = koef_biaya_genF*fuel_cost_genF;
matriks_G = koef_biaya_genG*fuel_cost_genG;
matriks_H = koef_biaya_genH*fuel_cost_genH;

biaya_genA = (matriks_A(1,1).*(P_1).^2)
+(matriks_A(1,2).*(P_1))+matriks_A(1,3);
%memasukkan rumus ax^2+bx+c
biaya_genB = (matriks_B(1,1).*(P_2).^2)
+(matriks_B(1,2).*(P_2))+matriks_B(1,3);
biaya_genC = (matriks_C(1,1).*(P_3).^2)
+(matriks_C(1,2).*(P_3))+matriks_C(1,3);
biaya_genD = (matriks_D(1,1).*(P_4).^2)
+(matriks_D(1,2).*(P_4))+matriks_D(1,3);
biaya_genE = (matriks_E(1,1).*(P_5).^2)
+(matriks_E(1,2).*(P_5))+matriks_E(1,3);
biaya_genF = (matriks_F(1,1).*(P_6).^2)
+(matriks_F(1,2).*(P_6))+matriks_F(1,3);

41
biaya_genG = (matriks_G(1,1).*(P_7).^2)
+(matriks_G(1,2).*(P_7))+matriks_G(1,3);
biaya_genH = (matriks_H(1,1).*(P_8).^2)
+(matriks_H(1,2).*(P_8))+matriks_H(1,3);
total_biaya = biaya_genA+ biaya_genB+
biaya_genC+ biaya_genD+ biaya_genE+
biaya_genF+biaya_genG+biaya_genH; % digunakan
untuk mencari lightbest

inequal=[P_1<1703 P_1>3247 P_2<1954 P_2>2900


P_3<1851 P_3>2811.234 P_4<529 P_4>955
P_5<1221.84 P_5>1979.25 P_6<500.6 P_6>615
P_7<500 P_7>1000 P_8<350 P_8>700];
inequLITY = sum(inequal');
clear j
for j=1:firefly
if inequLITY(j)>0
total_biaya(j)=2*10^10;
end
end

%equality
jumlah_p = sum(posisi_firefly'); % posisi awal
generator di total semua
for K = 1:firefly
if jumlah_p(K) < Beban || jumlah_p(K) >
Beban % jika posisi awal generator kurang
dari Beban MW maka :
total_biaya(K)=2*10^10;
end
end

[lambda,In]=min(total_biaya); %biaya
minimum
lightbest(it)=lambda;
posisi_best(1,:)=posisi_firefly(In,:);

clear j i
sebelum=posisi_firefly;
for ikj=1:firefly,

42
% Parameter Attractiveness Kunang-Kunang :
beta=exp(-gamma*r)
for jkj=1:firefly,

r=sqrt(sum((posisi_firefly(ikj,:)-
posisi_firefly(jkj,:)).^2));
% MengUpdate Pergerakan kunang-kunang
if total_biaya(ikj)>total_biaya(jkj), %
Apakah lebih terang dan attractive
beta0=0.5; beta=(beta0)*exp(-
gamma*r.^2);
tmpf=alpha.*((rand(1,1))-0.5);
% xn(ikj,:)=xn(ikj,:).*(1-
beta)+nso(jkj,:).*beta+tmpf;
%
posisi_firefly(ikj,1)=posisi_firefly(ikj,1).*(1-
beta0)+(posisi_firefly(jkj,1).*beta0)+tmpf;

posisi_firefly(ikj,2)=posisi_firefly(ikj,2).*(1-
beta0)+(posisi_firefly(jkj,2).*beta0)+tmpf;

posisi_firefly(ikj,3)=posisi_firefly(ikj,3).*(1-
beta0)+(posisi_firefly(jkj,3).*beta0)+tmpf;

posisi_firefly(ikj,4)=posisi_firefly(ikj,4).*(1-
beta0)+(posisi_firefly(jkj,4).*beta0)+tmpf;

posisi_firefly(ikj,5)=posisi_firefly(ikj,5).*(1-
beta0)+(posisi_firefly(jkj,5).*beta0)+tmpf;

posisi_firefly(ikj,6)=posisi_firefly(ikj,6).*(1-
beta0)+(posisi_firefly(jkj,6).*beta0)+tmpf;

posisi_firefly(ikj,7)=posisi_firefly(ikj,7).*(1-
beta0)+(posisi_firefly(jkj,7).*beta0)+tmpf;

posisi_firefly(ikj,8)=posisi_firefly(ikj,8).*(1-
beta0)+(posisi_firefly(jkj,8).*beta0)+tmpf;
posisi_firefly(ikj,1)=Beban-
sum(posisi_firefly(ikj,2:8));

43
end
end
end

for j=1:firefly % j = kolom 1 sampai ke (jumlah


firefly)

[posisi_firefly(j,:)]=Constraint_Check(posisi_fi
refly(j,:), Beban, pmin_max(:,1)',
pmin_max(:,2)', ngen);
end

sesudah=posisi_firefly;
lambda
it
end
jumlah_p = sum(posisi_best);
delP=jumlah_p-Beban
posisi_best
%figure,
plot(lightbest)

II. Script Constraint Check


function [Pgg]=Constraint_Check(Pgg, Pd, Bb, Ba,
jum_variabel)
% if exist('Pgg')~=1
% Pgg=input('Enter Pembangkitan Generator');
% else,end
% if exist('Ba')~=1
% Ba = input('Enter matrix Batas Atas');
% else, end
% if exist('Bb')~=1
% Bb = input('Enter matrix Batas Bawah');
% else, end

Pggmax = zeros(1,jum_variabel); %untuk


menampung pembangkitan yang mencapai batas atas
Pggmin = zeros(1,jum_variabel); %untuk
menampung pembangkitan yang mencapai batas bawah

44
Pggs = zeros(1,jum_variabel); %untuk
menampung pembangkitan sisa pembangkitan
Pggss = zeros(1,jum_variabel); %untuk
menampung pembangkitan sisa pembangkitan
Pgb1 = zeros(1,jum_variabel); %untuk
menampung pembangkitan sama dengan beban
% Pgbmax =
zeros(jum_variabel,jum_partikel); %untuk
menampung pembangkitan yang sama dengan beban
% Pgbs =
zeros(jum_variabel,jum_partikel); %untuk
menampung
% Pgbss =
zeros(jum_variabel,jum_partikel);
% Pds = zeros(1,1); %untuk menampung
pembangkitan sisa pembangkitan

for k=1:jum_variabel
Pgb1(1,k)=(Pgg(1,k)/sum(Pgg)).*Pd;
end
Pgg = Pgb1;
for k=1:jum_variabel
if Pgg(1,k)>Ba(1,k)
Pgg(1,k)=Ba(1,k);
elseif Pgg(1,k)<Bb(1,k)
Pgg(1,k)=Bb(1,k);
end
end

for k=1:jum_variabel
if(Pgg(1,k)==Ba(1,k))
Pggmax(1,k)=Pgg(1,k);
Pds=Pd-Pggmax(1,k);
Pd=Pds;
else
Pggs(1,k)=Pgg(1,k);
end
end

if sum(Pggs(1,:))~=0

45
for k=1:jum_variabel

Pggss(1,k)=(Pggs(1,k)/sum(Pggs)).*Pd;
end
end

if sum(Pggs(1,:))>Pd
for k=1:jum_variabel
if Pggs(1,k)==Bb(1,k)
Pggmin(1,k)=Pggs(1,k);
Pggs(1,k)=0;
Pds=Pd-Pggmin(1,k);
Pd=Pds;
else
Pggs(1,k)=Pggs(1,k);
end
end
if sum(Pggs(1,:))~=0
for k=1:jum_variabel

Pggss(1,k)=(Pggs(1,k)/sum(Pggs)).*Pd;
end
end
end

Pgg1=Pggmax+Pggss+Pggmin;
Pgg=Pgg1;
% Pd(1,tr)= Beban(1,tr);
end

46
Riwayat Hidup

Lury Amatullah Lumba lahir di Bandung tanggal


4 September 1995. Penulis merupakan anak
pertama dari tiga bersaudara. Selama masa
perkuliahan, penulis aktif mengikuti kegiatan
organisasi kemahasiswaan, seperti
HIMATEKTRO ITS. Penulis melanjutkan
jenjang pendidikan dari SMA Taruna Bakti,
Bandung ke S1 Teknik Elektro Institut Teknologi
Sepuluh Nopember dan mengambil bidang studi
Sistem Tenaga. Saat ini penulis disibukan dengan
bisnis makanan dan makeup artist.

Email: luryamatullah@gmail.com

47