BAB 1. PENDAHULUAN
Pada penelitian ini, digunakan penyulang Watu Ulo Jember karena pada
penyulang ini mempunyai nilai rugi-rugi daya listrik dan juga mempunyai drop
tegangan dimana pada profil tegangan ini mempunyai toleransi sebesar 5 persen.
Untuk menyikapi permasalahan ini maka dimungkinkan penempatan DG dan
kapasitor dengan harapan mampu memperbaiki nilai rugi-rugi daya dan profil
tegangan yang terdapat pada penyulang ini.
Dalam hal ini, untuk mengahasilkan nilai rugi-rugi daya dan tegangan yang
optimal akan digunakan GA sebagai metode optimasi. GA (Genetic Algorithm)
digunakan untuk mendapatkan solusi yang tepat untuk masalah optimasi dari satu
atau multi variable. Maksud dan tujuan penulis menyusun skripsi ini adalah
melakukan kajian memperbaiki nilai rugi-rugi energi listrik dengan adanya
penempatan DG dan kapasitor. Metode ini diharapkan akan memperoleh solusi
keluaran optimal untuk penempatan DG dan kapasitor pada jaringan distribusi sistem
radial.
1.4 Tujuan
Adapun tujuan yang akan dicapai dalam melaksanakan penelitian ini adalah
sebagai berikut :
1. Untuk mengoptimasi penempatan dan kapasitas dari DG dan kapasitor yang
optimal.
2. Untuk memperbaiki rugi-rugi daya dan tegangan dengan penempatan dan
kapasitas dari DG dan kapasitor yang optimal.
3. Untuk mengetahui pengaruh penempatan dan kapasitas dari DG dan kapasitor
yang optimal terhadap profil tegangan dan rugi-rugi daya.
1.5 Manfaat
Adapun manfaat yang diharapkan setelah melakukan penelitian ini adalah
sebagai berikut :
1. Dapat diketahui akan letak dari penempatan dan kapasitas DG dan kapasitor yang
optimal.
2. Dapat menerapkan penggunaan metode GA (Genetic Algorithm) untuk
mengoptimalkan penempatan dan kapasitas dari DG dan kapasitor untuk
memperbaiki rugi-rugi daya dan tegangan.
3. Diharapkan dapat memberikan solusi dalam memperbaiki nilai rugi-rugi daya
dan juga tegangan dengan pengaruh DG dan kapasitor.
5
listrik yang mereka butuhkan. Di sisi lain, keuntungan dari DG menunjukkan potensi
yang besar. Dengan perubahan struktur energi listrik yang terus berkembang, saat ini
DG telah dimanfaatkan sebagai pembangkitan siaga yang memberi keuntungan pada
sistem tenaga listrik sebagai sumber energi pada beban puncak, kehilangan daya pada
sistem dan meningkatkan kualitas daya para konsumen. Beberapa perkembangan
terus dilakukan dan membuat DG tidak hanya mungkin dilakukan tetapi suatu potensi
yang diharapkan.
4. Kualitas pelayanan daya tidak terjamin, sebab antara titik sumber dan titik beban
hanya ada satu alternatif sehingga bila saluran tersebut mengalami ganggauan,
maka saluran rangkaian sesudah titik gangguan akan mengalami “black out”
secara total.
Jaringan distribusi radial ini memiliki beberapa bentuk modifikasi, antara
lain sebagai berikut :
1. Jaringan radial tipe pohon
Bentuk ini merupakan bentuk yang paling dasar. Satu saluran utama
dibentang menurut kebutuhannya, selanjutnya dicabangkan dengan daerah saluran
cabang dan penyulang ini dicabang-cabang lagi dengan penyulang (anak cabang).
Komponen saluran distribusi sekunder seperti ditunjukkan pada gambar berikut ini :
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal.
Populasi itu sendiri terdiri atas sejumlah kromosom yang mempresentasikan solusi
yang diinginkan.
2) Membentuk generasi baru
Untuk membentuk generasi baru, digunakan operator reproduksi/seleksi, crossover
dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah
kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini
merupakan representasi dari solusi baru. Generasi baru ini dikenal dengan istilah anak
(offspring).
3) Evaluasi solusi
Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan
alat ukur yang dinamakan fitness. Nilai fitness suatu kromosom menggambarkan
kualitas kromosom dalam populasi tersebut. Proses ini akan mengevaluasi setiap
populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya
sampai terpenuhi kriteria berhenti. Bila kriteria berhenti sebelum terpenuhi maka
akan dibentuk lagi generasi baru dengan mengulangi langkah ke-2. Beberapa kriteria
berhenti sering digunakan antara lain: berhenti pada generasi tertentu, berhenti setelah
dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak
berubah, berhenti dan generasi tidak didapatkan nilai fitness yang lebih tinggi.
2. Pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai
calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok
persoalan ketika menggunakan GA.
Berdasarkan jenis simbol yang digunakan sebagai nilai suatu gen, metode
pendekatan dapat diklasifikasikan sebagai berikut :
1. Pengkodean biner merupakan cara pengkodean yang paling umum digunakan
karena adalah yang pertama kali digunakan dalam GA oleh Holland. Keuntungan
pengkodean ini adalah sederhana untuk diciptakan dan mudah dimanipulasi.
Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun
21
dengan jumlah nilai-nilai yang mungkin terjadi pada suatu gen yang sedikit (0
dan 1). Di pihak lain, pengkodean biner sering tidak sesuai untuk banyak
masalah dan kadang pengoreksian harus dilakukan setelah operasi crossover dan
mutasi.
2. Pengkodean bilangan riil adalah suatu pengkodean bilangan dalam bentuk riil.
Masalah optimalisasi fungsi dan optimalisasi kendala lebih tepat jika diselesaikan
dengan pengkodean bilangan riil karena struktur topologi ruang genotif untuk
pengkodean bilangan riil identik dengan ruang fenotifnya, sehingga mudah
membentuk operator genetic yang efektif dengan cara memakai teknik yang
dapat digunakan yang berasal dari metode konvensional.
3. Pengkodean bilangan bulat adalah metode yang mengkodekan bilangan dalam
bentuk bilangan bulat. Pengkodean ini baik digunakan untuk masalah optimisasi
kombinatorial.
4. Pengkodean struktur data adalah model pengkodean yang menggunakan struktur
data. Pengkodean ini digunakan untuk masalah kehidupan yang lebih komplek
seperti perencanaan jalur robot, dan masalah pewarnaan Graph.
3. Operator Genetic
GA merupakan proses pencarian yang heuristic dan acak sehingga
penekanan pemilihan operator yang digunakan sangat menentukan keberhasilan GA
dalam menemukan solusi optimal suatu masalah yang diberikan. Hal yang harus
diperhatikan adalah menghindari terjadinya konvergensi premature, yaitu mencapai
solusi optimal yang belum waktunya, dalam arti bahwa solusi yang diperoleh adalah
hasil optimal lokal.
Operator genetic yang digunakan setelah proses evaluasi tahap pertama
membentuk populasi baru dari generasi sekarang. Operator-operator tersebut adalah
operator seleksi, crossover dan mutasi.
a) Seleksi
Seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi
anggota populasi yang paling fit. Langkah pertama dalam seleksi ini adalah pencarian
22
nilai fitness. Masing-masing individu dalam suatu wadah seleksi akan menerima
probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap
nilai objektif dari semua individu dalam wadah seleksi tesebut. Nilai fitness inilah
yang nantinya akan digunakan pada tahap seleksi berikutnya.
Kemampuan GA untuk memproduksi kromosom yang lebih baik secara
progresif tergantung pada penekanan selektif (selective pressure) yang diterapkan
kepopulasi. Penekanan selektif dapat diterapkan dalam dua cara. Cara pertama adalah
membuat lebih banyak kromosom anak yang dipelihara dalam populasi dan memilih
hanya kromosom-kromosom terbaik bagi generasi berikut. Walaupun orang tua
dipilih secara acak, metode ini akan terus menghasilkan kromosom yang lebih baik
berhubungan dengan penekanan selektif yang diterapkan pada individu anak tersebut.
Cara lain menerapka penekanan selektif adalah memilih orang tua yang lebih
baik ketika membuat keturunan baru. Dengan metode ini hanya kromosom sebanyak
yang dipelihara dalam populasi yang perlu dibuat bagi generasi berikutnya. Walaupun
penerapan selektif tidak diterapkan ke level keturunan, metode ini akan terus
menghasilkan kromosom yang lebih baik, karena adanya penekanan selektif yang
diterapkan ke orang tua.
Ada beberapa metode untuk memilih kromosom yang sering digunakan
antara lain adalah seleksi roda rolet (roulette wheel selction), seleksi ranking (rank
selection) dan seleksi turnamen (tournament selection).
b) Crossover
Crossover (perkawinan silang) bertujuan menambah keanekaragaman string
dalam populasi dengan penyilangan antar-string yang diperoleh dari sebelumnya.
Bebapa jenis crossover tersebut adalah :
1. Crossover 1-titik
Pada crossover dilakukan dengan memisahkan suatu string menjadi dua
bagian dan selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari
string yang lain yang telah dipisahkan dengan cara yang sama. Proses yang demikian
dinamakan operator crossover satu titik seperti diperlihatkan pada gambar berikut:
23
2. Crossover 2-titik
Proses crossover ini dilakukan dengan memilih dua titik crossover.
Kromosom keturunan kemudian dibentuk dengan barisan bit dari awal kromosom
sampai titik crossover pertama disalin dari orangtua pertama, bagian dari titik
crossover pertama dan kedua disalin dari orangtua kedua, kemudian selebihnya
disalin dari orangtua pertama lagi.
Tabel 2.2 Contoh crossover 2-titik
Kromosom 11001011
Orangtua 1
Kromosom 11011111
Orangtua 2
Keturunan 11011111
3. Crossover Seragam
Crossover seragam menghasilkan kromosom keturunan dengan menyalin
bit-bit secar acak dari kedua orangtuanya.
Tabel 2.3 Contoh Crossover seragam
Kromosom 11001011
Orangtua 1
Kromosom 11011111
Orangtua 2
Keturunan 11011111
24
c) Mutasi
Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam
suatu kromosom. Operasi Crossover yang dilakukan pada kromosom dengan tujuan
untuk memperoleh kromosom-kromosom baru sebagai kandidat solusi pada generasi
mendatang dengan fitness yang lebih baik, dan lama-kelamaan menuju solusi
optimum yang diinginkan. Akan tetapi untuk mencapai hal ini, penekanan selektif
juga memegang peranan yang penting. Jika dalam proses pemilihan kromosom-
kromosom cenderung pada kromosom yang memiliki fitness yang tinggi saja,
konvergensi premature, yaitu mencapi solusi yang optimal lokal sangat mudah
terjadi.
Untuk menghindari konvergensi premature tersebut dan tetap menjaga
perbedaan (diversity) kromosom-kromosom dalam populasi, selain melakukan
penekanan selektif yang lebih efisien, operator mutasi juga dapat digunakan. Proses
mutasi dalam sistem biologi berlangsung dengan mengubah isi allele gen pada suatu
locus dengan allele yang lain. Proses mutasi ini bersifat acak sehingga tidak selalu
menjamin bahwa setelah proses mutasi akan diperoleh kromosom dengan fitness yang
lebih baik.
Operator mutasi merupakan operasi yang menyangkut satu kromosom
tertentu. Beberapa cara operasi mutasi diterapkan dalam GA menurut jenis
pengkodean terhadap phenotype, antara lain :
1. Mutasi dalam pengkodean Biner
Mutasi dalam pengkodean Biner merupakan operasi yang sangat sederhana.
Proses yang dilakukan adalah menginversi nilai bit pada posisi tertentu yang dipilih
secara acak (atau menggunakan skema tertentu) pada kromoso, yang disebut inverse
bit.
25
Tidak setiap gen selalu dimutasi tetapi mutasi dikontrol denga probabilitas
tertentu yang disebut dengan mutation rate (probabilitas mutasi) dengan notasi Pm.
Jenis operator mutasi antra lain :
1) Mutasi Terarah
Mutasi terarah tergantung dari informasi gen. informasi gen tesebut berupa
nilai pelanggaran gen (violation gen). ini berarti bahwa setiap gen mempunyai
peluang yang berbeda untuk menjadi mutasi. Gen yang mempunyai nilai pelanggaran
yang lebih besar maka gen tersebut mempunyai peluang untuk menjadi mutasi.
Mutasi ini menghubungkan nilai pelanggaran relatif (nilai pelanggaran satu gen
dibagi dengan nilai pelanggaran total suatu kromosom) dengan probabilitas terjadinya
mutasi dari suatu gen pada kromosom. Hubungan tersebut dinyatakan secara
matematis sebagai berikut :
nr (i) = (2.21)
dengan
nr(i) : nilai pelanggaran relatif gen ke-i
ntotal : nilai pelanggaran total kromosom
pm(i) : probabilitas mutasi gen ke-i
pm : probabilitas mutasi
2) Mutasi Biasa
Mutasi biasa tidak tergantung dari informasi gen. setiap gen mempunyai
peluang yang sama untuk terjadi mutasi.
d) Parameter Genetic
Pengoperasian algoritma genetic dibutuhkan 4 parameter (Juniawati, 2003)
yaitu :
27
Bulan
No Kegiatan Januari Februari Maret April
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Persiapan
Studi
2
Literatur
Pengumpulan
3
Data
Menentukan
jumlah dan
4
kapasitas DG
dan kapasitor
Menentukan
penempatan
5
DG dan
kapasitor
Melakukan
6
Pengujian
Analisa
7
Sistem
Pengambilan
8
Kesimpulan
Penulisan
9
Laporan
3.4.1 Alat
1. PC / Laptop
PC / Laptop digunakan untuk melakukan simulasi rancangan sistem serta
melakukan analisis hasil simulasi.
31
3.4.2 Bahan
1. Bahan-bahan yang diperoleh dari penelitian yang digunakan dalam pembuatan
program ini adalah data resistansi dan reaktansi saluran yang digunakan dalam
sistem distribusi serta data pembebanan dari PT.PLN (Persero) Jember.
32
Mulai
Perumusan Masalah
Studi Literatur
Analisis Hasil
Kesimpulan
Selesai
Start
Konstrain
dipenuhi?
Tidak
Ya
Stop
individu dengan kreteria fitness terendah. Untuk pemilihan fitness yang optimal yaitu
berdasarkan populasi yang dibangkitkan. Dimana dengan populasi tersebut fitness
dapat memilih variabel yang dianggap paling optimal.
Pada tabel diatas merupakan total rugi-rugi daya aktif dan daya reaktif
sebelum adanya pemasangan DG dan kapasitor serta setelah adanya pemasangan DG.
Untuk penelitian selanjutnya akan dilakukan pemasangan dari DG dan kapasitor
secara bersama untuk mendapatkan nilai rugi-rugi daya aktif dan reaktif.
38
Serta terdapat single line diagram yang dibuat pada software ETAP, dimana
saluran serta datanya terdapat dari PT.PLN pelayanan dan jaringan (APJ) Jember
untuk penyulang Watu Ulo.
43
Dari hasil aliran daya didapatkan total losses pada daya aktif sebesar
657.3084 kW sedangkan untuk total losses pada daya reaktif didapatkan sebesar
663.7226 kVAr. Dari hasil losses daya aktif dan reaktif, didapatkan bahwa nilai rugi
daya terbesar terletak pada saluran dari bus 1 ke bus 21 dengan rugi daya aktif
sebesar 309.1736 kW dan rugi daya reaktif sebesar 282.7136 kVAr. Nilai rugi daya
terbesar pada saluran dari bus 1 ke bus 21 ini disebabkan memiliki jarak yang jauh,
pembebanannya yang besar serta disebabkan oleh impedansi dan reaktansi terbesar
terletak pada bus 20 terutama pada bus 1 ke bus 21 yakni dengan resistansi sebesar
0.9781 pu dan reaktansi sebesar 0.8944 pu. Sedangkan untuk nilai rugi daya terkecil
terletak pada saluran bus 13 ke bus 14 dengan rugi daya aktif sebesar 0.0000 kW dan
rugi daya reaktif sebesar 0.0001 kVA dengan nilai resistansi sebesar 0.0369 pu dan
reaktansi sebesar 0.2903 pu. Selain nilai rugi-rugi daya, diketahui pula profil
tegangan yang didapatkan. Dari hasil profil tegangan, dengan bertambahnya jumlah
bus maka profil tegangan pun akan semakin menurun pula dari nilai 1 Volt sampai
menuju pada bus 75 yang mencapai nilai tegangan sebesar 0.8432 Volt. Drop
tegangan terbesar terjadi pada bus 21 yakni sebesar 0.9150 Volt dimana tegangan
sebelumnya pada bus 20 didapatkan sebesar 0.9702 Volt.
47
4.2.1 Pengujian Hasil Data Pada Simulasi ETAP Sebelum Penempatan DG dan
Kapasitor
Tabel 4.3 Data Rugi-Rugi Daya dan Profil Tegangan Sebelum Penempatan DG
dan Kapasitor (ETAP)
Nama Ploss Qloss No. Bus Profil Tegangan
Dari Bus Ke Bus (kW) (kVAR)
1 2 26.0844 23.8943 Bus1 1.0000
2 3 1.4054 1.7939 Bus2 0.9812
3 4 8.6593 1.1032 Bus3 0.9800
4 5 0.3845 0.4901 Bus4 0.9736
5 6 0.4018 0.5121 Bus5 0.9732
6 7 0.3735 0.4762 Bus6 0.9728
7 8 0.3869 0.4991 Bus7 0.9723
8 9 0.2345 0.2992 Bus8 0.9718
9 10 0.1667 0.2131 Bus9 0.9715
9 16 0.5332 0.0339 Bus10 0.9711
10 11 0.0461 0.0588 Bus 11 0.9709
11 12 0.0197 0.0251 Bus12 0.9709
12 13 0.0205 0.0261 Bus13 0.9707
*Selengkapnya dapat dilihat pada lampiran A
Setelah mendapatkan nilai rugi-rugi daya baik itu daya aktif maupun daya
reaktif dan profil tegangan dengan menggunakan aliran daya Backward Forward
Sweep pada Matlab, selanjutnya dilakukan pengujian atau disimulasikan
menggunakan ETAP. Pada software ETAP ini sama halnya menggunakan data-data
yang sama dari nilai dari pembebanan pada jaringan distribusi, nilai impedansi serta
nilai reaktansi yang digunakan pada Matlab. Pada tabel 4.3 dapat diketahui hasil dari
aliran daya pada ETAP yang terdiri dari rugi-rugi daya dan profil tegangan. Pengujian
48
hasil data yang disimulasikan pada ETAP sebelum penempatan DG dan kapasitor ini
dimaksudkan untuk mengetahui perbandingan nilai dari rugi-rugi daya aktif maupun
nilai dari rugi-rugi daya reaktif serta profil tegangan dengan perhitungan Matlab.
250
ETAP
200
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
300
BackwardForwardSweep
250
ETAP
200
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
daya sebesar 1.9533 kVAr sedangkan pada simulasi ETAP didapatkan rugi-rugi daya
sebesar 1.9576 kVAr, hal ini mempunyai selisih sebesar 0.0043.
1,04
BackwardForward
Sweep
0,99
ETAP
0,94
0,89
0,84
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75
val(:,:,2) =
Colom 1-31
0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Colom 32-62
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 46 0 41
0 0 0 0 0 0 0 0 0 0 0
Colom 63-75
50 0 0 0 0 0 22 0 0 0 0 0
val(:,:,3) =
Colom 1-31
0 23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Colom 32-62
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 0 54
0 0 0 0 0 0 0 0 0 0 0
Colom 63-75
8 0 0 0 0 0 11 0 0 0 0 0
Tabel 4.4 Data Rugi-Rugi Daya dan Profil Tegangan Setelah Optimasi
Penempatan DG dan Kapasitor
Nama Ploss Qloss No. Bus Profil Tegangan
Dari Bus Ke Bus (kW) (kVAR)
1 2 25.7104 23.5517 Bus1 1.0000
2 3 1.3846 1.7674 Bus2 0.9818
3 4 8.6276 1.0992 Bus3 0.9807
4 5 0.3831 0.4882 Bus4 0.9744
5 6 0.4002 0.5101 Bus5 0.9740
6 7 0.3720 0.4742 Bus6 0.9736
7 8 0.3853 0.4971 Bus7 0.9731
8 9 0.2336 0.2980 Bus8 0.9726
9 10 0.1663 0.2125 Bus9 0.9723
9 16 0.5448 0.0392 Bus10 0.9719
10 11 0.0256 0.0327 Bus 11 0.9706
11 12 0.0055 0.0070 Bus12 0.9705
12 13 0.0042 0.0054 Bus13 0.9704
13 14 0.0000 0.0001 Bus14 0.9703
14 15 0.2937 0.2053 Bus15 0.9703
16 17 0.0616 0.0266 Bus16 0.9712
17 18 0.0009 0.0004 Bus17 0.9709
17 19 0.0323 0.0135 Bus18 0.9708
19 20 0.0005 0.0006 Bus19 0.9705
1 21 283.4700 259.2123 Bus20 0.9705
21 22 7.0007 8.9544 Bus21 0.9178
22 23 0.0067 0.0009 Bus22 0.9165
22 24 5.3620 6.8131 Bus23 0.9164
24 25 22.2049 28.3082 Bus24 0.9155
25 26 9.2933 11.8672 Bus25 0.9111
26 27 14.8160 18.9093 Bus26 0.9093
27 28 24.0407 30.6938 Bus27 0.9063
54
nilai tegangan sebesar 0.8497 Volt. Drop tegangan terbesar terjadi pada bus 21 yakni
sebesar 0.9178 Volt dimana tegangan sebelumnya pada bus 20 didapatkan sebesar
0.9705 Volt. Setelah adanya penempatan dari DG dan kapasitor dapat memperbaiki
rugi-rugi daya dan profil tegangan dibandingkan sebelum adanya DG dan kapasitor.
350
Sebelum DG Kapasitor
300
250
Sesudah DG Kapasitor
200
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
300
Sebelum DG Kapasitor
250
Sesudah DG Kapasitor
200
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
1,04 Sebelum DG
Kapasitor
Sesudah DG
0,99
Kapasitor
0,94
0,89
0,84
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75
sebelum adanya penempatan dari DG dan kapasitor sebesar 0.9150 Volt, kemudian
setelah adanya penempatan dan ukuran dari DG dan kapasitor berubah menjadi
0.9178 Volt. Misal pada bus 60 juga mengalami perbaikan profil tegangan dari
0.8454 Volt menjadi 0.8523 Volt.
Pada gambar grafik 4.9 dapat dilihat bahwa dengan penambahan DG dan
kapasitor dapat memperbaiki profil tegangan disetiap busnya, hal ini dapat
dikategorikan dalam keadaan yang baik karena terdapat perbaikan profil tegangan
dibandingkan sebelum adanya penambahan dari DG dan kapasitor. Tetapi pada hasil
profil tegangan tersebut tidak termasuk dalam toleransi ± 5% dari 1 kV, khususnya
dari bus 21 sampai bus 25 yang tidak termasuk dalam batas toleransi. Jadi adanya
penambahan DG dan kapasitor yang dibatasi pada sistem jaringan distribusi ini
hanya mampu memperbaiki profil tegangan dibandingkan sebelum adanya
penambahan DG dan kapasitor.
300
250 Optimal
200
Manual
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
Optimal
250
200 Manual
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
1,04
Optimal
0,99
Manual
0,94
0,89
0,84
1 3 5 7 9 111315171921232527293133353739414345474951535557596163656769717375
350
DG dan Kapasitor
300
DG
250
Kapasitor
200
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73
bus 1 ke bus 21 juga dapat dilihat bahwa dengan DG dan kapasitor dipasang secara
bersama menghasilkan rugi daya yang lebih kecil dibandingkan dengan menempatkan
DG dan kapasitor secara terpisah yakni sebesar 283.4700 kW dan 259.2123 kVAr.
1,04
DG dan Kapasitor
0,99 DG
Kapasitor
0,94
0,89
0,84
1 3 5 7 9 1113 15 17 19 2123 25 27 29 3133 35 37 39 4143 45 47 49 5153 55 57 59 6163 65 67 69 7173 75
BAB 5. PENUTUP
5.1 Kesimpulan
1. Dengan menggunakan optimasi Genentic Algorithm (GA) didapat penempatan
dan ukuran yang optimal dari DG dan kapasitor yakni pada bus 3, 49, 51, 64
dan 70 dengan ukuran DG sebesar 4, 46, 41, 50 dan 22 kW serta ukuran
kapasitor sebesar 23, 15, 54, 8 dan 11 kVAr.
2. Setelah dilakukan optimasi menggunakan GA (Genetic Algoritm) didapat nilai
total rugi-rugi daya sebesar 600.9546 kW pada daya aktif dan daya reaktif
sebesar 605.4042 kVAr dengan 5 penempatan DG dan kapasitor pada bus.
Sedangkan sebelum penempatan DG dan kapasitor terdapat nilai total rugi-rugi
daya sebesar 657.3084 kW pada daya aktif dan daya reaktif sebesar 663.7226
kVAr. Hal ini membuktikan dengan adanya penempatan DG dan kapasitor
dapat memperbaiki daya aktif dan daya reaktifnya.
3. Terdapat perbaikan profil tegangan disetiap busnya setelah adanya penempatan
dari DG dan kapasitor dibandingkan sebelum adanya penempatan dari DG dan
kapasitor. Pada bus 60 mengalami perbaikan profil tegangan dari 0.8454 Volt
menjadi 0.8523 Volt.
5.2 Saran
1. Aplikasi penempatan DG (Distributed Generation) dan penentuan kapasitas
DG (Distributed Generation) dapat di optimalkan pada sistem jaringan lain.
2. Dengan penambahan jumlah variabel dapat mengoptimalkan nilai dan
meningkatkan ketelitian GA (Genetic Algoritm).\
68
DAFTAR PUSTAKA
Mohammad H. Moradi. 2014. An Efficient Hybrid Method For Solving The Optimal
Sitting And Sizing Problem Of DG And Shunt Capacitor Banks Simultaneously
Based On Imperialist Competitive Algorithm And Genetic Algorithm. Jurnal
Volume 101-111.
Zad, B. Bakhshideh. 2015. Optimal Reactive Power Control Of Dgs For Voltage
Regulation Of MV Distribution Systems Using Sensitivity Analysis Method
And PSO Algorithm. Jurnal Volume 52–60.
69
LAMPIRAN
70
43 41 44 0.1034 0.0132
44 44 45 0.0578 0.0738
45 45 46 0.0502 0.0642
46 46 47 0.0983 0.1286
47 47 48 0.0327 0.0417
48 48 49 0.0307 0.0391
49 49 50 0.0446 0.0569
50 49 51 0.1261 0.1088
51 51 52 0.1258 0.0879
52 52 53 0.3211 0.2281
53 52 54 0.0885 0.0619
54 54 55 0.1267 0.1229
55 54 56 0.2416 0.1690
56 56 57 0.0488 0.0400
57 57 58 0.0700 0.0548
58 58 59 0.0649 0.0454
59 59 60 0.0512 0.0653
60 60 61 0.0341 0.0435
61 61 62 0.0717 0.0915
62 62 63 0.1107 0.1413
63 45 64 0.0493 0.0629
64 64 65 0.0954 0.0357
65 65 66 0.4364 0.1481
66 64 67 0.0260 0.0332
67 67 68 0.0570 0.0728
68 68 69 0.0440 0.0526
69 69 70 0.2130 0.1489
70 69 71 0.0549 0.0384
71 71 72 0.5912 0.2432
72 71 73 0.1359 0.0950
73 73 74 0.1196 0.0836
74 73 75 0.0953 0.0666
85
1 0 0
2 0 0
3 0 0
4 0 0
5 0 0
6 0 0
7 0 0
8 0 0
9 0 0
10 0 0
11 0 0
12 0 0
13 0 0
14 0 0
15 0 0
16 0 0
17 0 0
18 0 0
19 0 0
20 0 0
21 0 0
22 0 0
23 0 0
24 0 0
25 0 0
26 0 0
27 0 0
28 0 0
29 0 0
30 0 0
31 0 0
32 0 0
33 0 0
34 0 0
35 0 0
36 0 0
37 0 0
38 0 0
39 0 0
40 0 0
41 0 0
42 0 0
43 0 0
44 0 0
45 0 0
88
46 0 0
47 0 0
48 0 0
49 0 0
50 0 0
51 0 0
52 0 0
53 0 0
54 0 0
55 0 0
56 0 0
57 0 0
58 0 0
59 0 0
60 0 0
61 0 0
62 0 0
63 0 0
64 0 0
65 0 0
66 0 0
67 0 0
68 0 0
69 0 0
70 0 0
71 0 0
72 0 0
73 0 0
74 0 0
75 0 0
Aliran Daya
function y=loadflow2(pop,i,stringlength)
format short;
tic
m=load('line11.m');
l=load('line10.m');
k=load('loadDG.m');
for j=1:stringlength %fungsi untuk membangkitkan inisialisasi
if pop(i,j)== 1
MaxDG=50;
MaxKP=100;
k(j,2)=round(rand(1)*MaxDG)
k(j,3)=round(rand(1)*MaxKP)
end
end
89
%penambahan dg
br=length(l);
no=length(m);
dg=length(k);
MVAb=100;
KVb=10.03;
Zb=(KVb^2)/MVAb;
% Per unit Values
for i=1:br
R(i,1)=(l(i,4))/Zb;
X(i,1)=(l(i,5))/Zb;
end
for i=1:no
P(i,1)=((m(i,4))/(1000*MVAb))-(k(i,2))/(1000*MVAb);%rumus
dengan DG dan Kapasitor
Q(i,1)=((m(i,5))/(1000*MVAb))-(k(i,3))/(1000*MVAb);
end
R;
X;
P;
Q;
C=zeros(br,no);
for i=1:br
a=l(i,2);
b=l(i,3);
for j=1:no
if a==j
C(i,j)=-1;
end
if b==j
C(i,j)=1;
end
end
end
C;
e=1;
for i=1:no
d=0;
for j=1:br
if C(j,i)==-1
d=1;
end
end
if d==0
endnode(e,1)=i;
e=e+1;
end
90
end
endnode;
h=length(endnode);
for j=1:h
e=2;
f=endnode(j,1);
% while (f~=1)
for s=1:no
if (f~=1)
k=1;
for i=1:br
if ((C(i,f)==1)&&(k==1))
f=i;
k=2;
end
end
k=1;
for i=1:no
if ((C(f,i)==-1)&&(k==1));
f=i;
g(j,e)=i;
e=e+1;
k=3;
end
end
end
end
end
for i=1:h
g(i,1)=endnode(i,1);
end
g;
w=length(g(1,:))
for i=1:h
j=1;
for k=1:no
for t=1:w
if g(i,t)==k
g(i,t)=g(i,j);
g(i,j)=k;
j=j+1;
end
end
end
end
g;
for k=1:br
91
e=1;
for i=1:h
for j=1:w-1
if (g(i,j)==k)
if g(i,j+1)~=0
adjb(k,e)=g(i,j+1);
e=e+1;
else
adjb(k,1)=0;
end
end
end
end
end
adjb;
for i=1:br-1
for j=h:-1:1
for k=j:-1:2
if adjb(i,j)==adjb(i,k-1)
adjb(i,j)=0;
end
end
end
end
adjb;
x=length(adjb(:,1));
ab=length(adjb(1,:));
for i=1:x
for j=1:ab
if adjb(i,j)==0 && j~=ab
if adjb(i,j+1)~=0
adjb(i,j)=adjb(i,j+1);
adjb(i,j+1)=0;
end
end
if adjb(i,j)~=0
adjb(i,j)=adjb(i,j)-1;
end
end
end
adjb;
for i=1:x-1
for j=1:ab
adjcb(i,j)=adjb(i+1,j);
end
end
b=length(adjcb);
92
s=s+1;
end
nlc;
Ibr;
vb
% vbp=[abs(vb) angle(vb)*180/pi]
vbp=[abs(vb) imag(vb)*180/pi]
toc;
for i=1:no
va(i,2:3)=vbp(i,1:2);
end
for i=1:no
va(i,1)=i;
end
va;
% Ibrp=[abs(Ibr) angle(Ibr)*180/pi];
Ibrp=[abs(Ibr) imag(Ibr)*180/pi];
PL(1,1)=0;
QL(1,1)=0;
% losses
for f=1:br
Pl(f,1)=(Ibrp(f,1)^2)*R(f,1);
Ql(f,1)=X(f,1)*(Ibrp(f,1)^2);
PL(1,1)=PL(1,1)+Pl(f,1);
QL(1,1)=QL(1,1)+Ql(f,1);
end
Plosskw=(Pl)*100000
Qlosskw=(Ql)*100000
PL=(PL)*100000
QL=(QL)*100000
voltage = vbp(:,1)
angle = vbp(:,2)*(pi/180)
y = PL
clear;
clc;
popsize=5;dimension=1;stringlength=75;x_bound=[-2,3;-2,4;-
1,1];pm=0.05;
pop=dataDG(popsize,stringlength,dimension);
pop=decoding(pop,stringlength)
[choice_number,choice_k]=min(pop(:,stringlength*dimension));
choice=pop(choice_k,:);
94
Data DG
function pop=dataDG(popsize,stringlength,dimension)
P1=zeros(popsize,stringlength);
[n m]=size(P1);
for i=1:n
for j=1:5
a=round(rand(1)*m);
if a==0
a=1;
end
P1(i,a)=1;
posisi(i,j)=a;
end
end
pop=P1;
MaxDG = 50;
MaxKP = 100;
for I=1:5,
for J=1:75,
if pop(I,J)==0||pop(I,J)>1
b=0; e=0; pop(I,J)=0;
else
a=rand(1)*MaxDG;
b=round(a);
c=rand(1)*MaxKP;
e=round(c);
end
end
end
Fitness
totloss(j-1)=sum(y);
end
n=length(k);
vb=zeros(length(vb),1);
for j=2:m
for i=1:n
if k(i,j)==30
vb(i,j-1)=1;
else
vb(i,j-1)=0;
end
end
end
Decoding
function pop=decoding(pop,stringlength)
popsize=size(pop,1);
for i=1:popsize
pop(i,stringlength)=loadflow2(pop,i,stringlength);
end