Strategi Kontrol Thyristor Controlled Series Compensator (TCSC)

PSO –Algoritma Genetika

Zainal Abidin
Program Studi Teknik Elektro Fakultas Teknik
Universitas Islam Lamongan
Email : zainalabidin@unisla.ac.id

ABSTRAK
PSO dan Algoritma Genetika adalah beberapa algoritma optimisasi sistem yang sudah banyak
digunakan dalam perkembangan sistem kontrol modern. Dalam paper ini menyajikan dua model
algoritma pengaturan TCSC yakni PSO dan Algoritma Genetika. Desain kontrol sistem FACTS
diformulasikan sebagai permasalahan optimisasi dan kedua algoritma PSO dan Algoritma Genetika
digunakan untuk pencarian parameter kontrol optimal.
Kinerja kedua teknik optimasi dalam hal waktu komputasi dan tingkat konvergensi
dibandingkan. Selanjutnya, pengendali yang dioptimalkan diuji pada sistem daya terkoneksi yang
mengalami gangguan kecil yang berbeda, dan kinerjanya dibandingkan dengan PSS konvensional
(CPSS). Analisis nilai eigen dan hasil simulasi non-linear disajikan dan dibandingkan untuk
menunjukkan efektivitas kedua teknik dalam merancang pengontrol berbasis TCSC, untuk
meningkatkan stabilitas sistem tenaga.

Kata Kunci : PSO, Algoritma Genetika, FACTS, kontrol, Matlab

I. Pendahuluan
Kondisi stabilitas sistem tenaga listrik menjadi perhatian utama dalam sebuah sistem operasi.
Perhatian itu muncul dari fakta bahwa pada kondisi mantap (steady-state), kecepatan rata-rata
generator harus sama. Kondisi tersebut dinamakan operasi sinkron dari suatu sistem jaringan
interkoneksi . Gangguan kecil atau besar pada sistem tenaga berdampak pada operasi sinkron. Sebagai
contoh dalam pendistribusian tenaga listrik, yaitu berupa perubahan frekuensi dan daya listrik yang
tidak stabil akibat perubahan beban yang tidak teratur, baik berupa gangguan dinamis, maupun
gangguan transien. Ketidaksabilan tersebut merupakan salah satu jenis gangguan yang signifikan pada
sistem yang berdampak pada putaran primemover di pusat pembangkit. Apabila hal tersebut dibiarkan
maka selain dapat merusak peralatan yang dicatu juga akan merusak primemover itu sendiri.[2]
Thyristor Controlled Series Capacitor (TCSC) merupakan salah satu anggota penting dari
keluarga FACTS yang diterapkan dengan jalur transmisi yang panjang oleh utilitas dalam sistem
tenaga modern. Peralatan FACTS ini juga dapat diterapkan untuk kestabilan generator dan dipasang
di sistem saluran transmisi. Hal ini dapat memiliki berbagai peran dalam operasi dan kontrol sistem
tenaga, seperti penjadwalan aliran listrik, memberikan dukungan tegangan, membatasi arus pendek
pada sirkuit, mitigasi subsynchronous resonance (SSR), meredam osilasi daya, dan meningkatkan
stabilitas transien.
Beberapa penelitian terdahulu telah membahas tentang optimasi kestabilan sistem tenaga listrik
menggunakan TCSC dengan metode Genetic Algorithm (GA) [14]. Selain itu, pada penelitian
sebelumnya, perangkat TCSC ini diterapkan pada sistem multi-machine [13], namun untuk penelitian
ini perangkat TCSC digunakan pada sistem SMIB sebagai proses awal pemahaman penggunaan
TCSC dan pengaruhnya terhadap kestabilan suatu sistem. Metode yang akan digunakan untuk
mengoptimasi parameter-parameter TCSC, gain dan konstanta waktu, dan menghitung persamaan-
persamaan linier, seperti konstanta mesin (K1-K6) dan konstanta TCSC (KP, KQ, KV), adalah
metode Particle Swarm Optimization (PSO).
GA can be viewed as a general-purpose search method, an optimization method, or a learning
mechanism, based loosely on Darwinian principles of biological evolution, reproduction and “the
survival of the fittest” [1]. GA maintains a set of candidate solutions called population and repeatedly
modifies them. At each step, the GA selects individuals from the current population to be parents and
uses them produce the children for the next generation. Over successive generations, the population
evolves toward an optimal solution and remains in the genome composition of the population over
traits with weaker undesirable characteristics. The GA is well suited to and has been extensively
applied to solve complex design optimization problems because it can handle both discrete and
continuous variables, nonlinear objective and constrain functions without requiring gradient
information [2]– [5].
PSO is inspired by the ability of flocks of birds, schools of fish, and herds of animals to adapt
to their environment, find rich sources of food, and avoid predators by implementing an information
sharing approach. PSO technique was invented in the mid 1990s while attempting to simulate the
choreographed, graceful motion of swarms of birds as part of a sociocognitive study investigating the
notion of collective intelligence in biological populations [6]. In PSO, a set of randomly generated
solutions propagates in the design space towards the optimal solution over a number of iterations
based on large amount of information about the design space that is assimilated and shared by all
members of the swarm [7]. Both GA and PSO are similar in the sense that these two techniques are
population-based search methods and they search for the optimal solution by updating generations.
Since the two approaches are supposed to find a solution to a given objective function but employ
different strategies and computational effort, it is appropriate to compare their performance.
Recent development of power electronics introduces the use of flexible ac transmission
systems (FACTS) controllers in power systems. FACTS controllers are capable of controlling the
network condition in a very fast manner and this feature of FACTS can be exploited to improve the
stability of a power system [8]. Thyristor controlled series compensator (TCSC) is one of the
important members of FACTS family that is increasingly applied with long transmission lines by the
utilities in modern power systems. It can have various roles in the operation and control of power
systems, such as scheduling power flow; decreasing unsymmetrical components; reducing net loss;
providing voltage support; limiting short-circuit currents; mitigating subsynchronous resonance
(SSR); damping the power oscillation; and enhancing transient stability [9] – [11]. In the present
study, the design problem of a TCSC-based controller is considered to compare the performance of
PSO and GA optimization algorithms.

II. Metodologi
a. Model TCSC dalam Sistem Tenaga
The single-machine infinite-bus power system shown in Fig. 1 is considered in this study. The generator is
equipped with a PSS and the system has a TCSC installed in transmission line. In the figure X T and XL
represent the reactance of the transformer and the transmission line respectively, V T and VB are the
generator terminal and infinite bus voltage respectively.

Gambar 1. Sistem mesin tunggal TCSC dalam sistem tenaga

a. Persamaan Non Linier

Persamaan diferensial non linier sistem daya tunggal dengan TCSC sebagai berikut : [1,9] :
δ̇ =ωb . ∆ ω (1)
1
ω̇= [ Pm−Pe ] (2)
M
 1
E ˙' q= [−Eq+ Efd ] (3)
T ' do
KA
E '˙ fd= [VR−VT ] (4)
1+sTA
dimana,

E ' qVB −VB 2 (Xq−X ' d)

Pe= sin sin 2δ (5)
Xd ∑ ' 2 X d ∑ ' X q∑ '

Xd ∑ ❑ E ' q ( Xq− X ' d )

Eq= − VBcos δ (6)
X d ∑' Xd∑ '

Xq .VB
V Td = (7)
X q∑'

V Tq =
Xeff . E ' q VB. X ' d
Xd∑ ' + X d∑ '
cos δ (8)

V T =√ ¿ ¿ (9)

dengan,

Xeff = XT + XL –XCF – X TCSC ()

X’d = X’d + X eff
X’q = Xq + X eff
Xd = Xd + X eff

Sistem eksitasi dalam model riset adalah model IEEE ST1A. Model sistem ST1A
ditunjukkan pada gambar 2. Masukan sistem eksitasi adalah tegangan terminal (V T),
tegangan referensi VR. Pada gambar 3, KA dan TA adalah referensi gain dan waktu konstan
dari eksitasi sistem.

- VT Efd max
+
KA
VR Efd
1+ sTA
Efd min

Gambar 2. Sistem Eksitasi IEEE tipe ST1A

B. Model Linier
In the design of electromechanical mode damping stabilizer, a linearized incremental model around an
operating point is usually employed [1, 15]. The Phillips-Heffron model of the power system with
FACTS devices is obtained by linearizing the equations (1-4) around an operating condition of the
power system. The linearized expressions are as follows :

∆˙ δ=ωb . ∆ ω (10)
∆˙ω=[−K 1. ∆ δ −K 2 ∆ E q' −Kp ∆ σ−D ∆ ω ] /M (11)
˙
∆˙ E q ' =[−K 3 ∆ E q ' −K 4 ∆ δ−K Q ∆ σ + ∆ Efd ] /Td 0 ' (12)
∆˙E f d ' = −K A ( K 5 ∆ δ + K 6 ∆ E q' + K V ∆ σ ) −∆ Efd /TA
[ ] (13)

dimana,

K1 = .Pe /   K3 = .Eq /  E’q K5 = .VT /  

K2 = .Pe /  E’q K4 = .Eq /   K6 = .VT /  .E’q
KP = .Pe / . KQ = .Eq / . KQ = .VT / .

Model Phillips-Heffron dari mesin tunggal tanpa batas sistem bus (SMIB) dengan TCSC diperoleh
dengan menggunakan persamaan linear (10-13). Blok yang sesuai model diagram ditunjukkan pada
Gambar. 3 [16].
Perubahan velocity dan posisi tiap partikel dapat dihitung menggunakan kecepatan dan jarak dari pbest j,g
ke gbest g seperti ditunjukkan formula:

Gambar 3. Modifikasi model Philip Hefron SMIB untuk TCSC

III. Overview Teknik Optimisasi Algoritma Genetika dan PSO

PSO (Particle Swarm Optimization) adalah teknik optimasi dengan cara menghitung secara terus
menerus calon solusi dengan menggunakan suatu acuan kualitas. Algoritma ini mengoptimasi
permasalahan dengan cara menggerakan partikel / calon solusi di dalam ruang permasalahan
menggunakan fungsi tertentu untuk posisi dan kecepatan dari partikel. Pergerakan partikel
dipengaruhi oleh solusi terbaik partikel tersebut, dan solusi terbaik secara umum yang didapatkan dari
partikel lain. Sekumpulan partikel ini dinamakan swarm, dan pada akhirnya swarm ini akan bergerak
menuju kepada solusi terbaik [1]

xjg(t+1) Social part

vjg(t+1)
Pbest j
gbest
Cognitive part

vjg(t)
Current motion
influence
 xjg(t) Momentum part

Gambar : gambaran perubahan kecepatan dan bentuk zat dalam PSO

Diagram Alir
start

Tentukan parameter PSO

Pembangkitan inisial populasi

Time Domain Simulation

Temukan fitness tiap partikel

dari populasi

Gen = gen +1 Gen>Max.

Gen? Berhenti

Update posisi partikel dan

velocity menggunakan
persamaan (14-15)

Referensi
[2] Taufiqur Rohman Bukhori*), Hermawan, and Susatyo Handoko*) 2013. Optimasi Tcsc Untuk
Peningkatan Stabilitas Transien Menggunakan Metode Particle Swarm Optimization (PSO).
TRANSMISI, 15, (4). Teknik Elektro , Universitas Diponegoro.