Undip
Undip
net/publication/299455658
CITATIONS READS
0 272
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Sabhan Kanata on 28 March 2016.
Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada
Jl. Teknika Utara, Sleman, Yogayakarta, Indonesia
*)
E-mail: sabhankanata@yahoo.co.id
Abstrak
Komponen biaya paling besar pada operasi pembangkitan thermal adalah biaya bahan bakar. Permasalahan bagaimana
meminimalkan biaya bahan bakar dengan menentukan kombinasi daya output dari masing-masing unit pembangkit
dengan kekangan terpenuhinya beban sistem dan batas kemampuan masing-masing unit pembangkit dikenal dengan
istilah economic dispatch (ED). Dalam penelitian ini, diusulkan metode Modified Improved Particle Swarm
Optimization (MIPSO) dengan pendekatan Contriction Factor Based Particle Swarm Optimization (CFBPSO)
Kemudian metode pendekatan ini diterapkan dalam 2 kasus sistem tenaga yaitu pada kasus IEEE 30 bus pada
pembebanan 800 MW dan sistem interkoneksi 500 kV Jawa-Bali dengan pembebanan puncak 12058 MW. Dari hasil
simulasi IEEE 30 bus, metode MIPSO dengan pendekatan CFBPSO mampu menghasilkan solusi paling optimal
ekonomi dibanding metode pendekatan MPSO dan Quadratic Programing. Untuk kasus sistem interkoneksi 500 kV
Jawa-Bali, metode MIPSO dengan pendekatan ini juga mampu memberikan solusi paling optimal dibanding dengan
sistem real PT. PLN (Persero).
Kata kunci: economic dispatch (ED), modified improved particle swarm optimization (MIPSO), sistem interkoneksi
500 kV Jawa-Bali.
Abstract
The most substantial component of the operating cost of thermal generation is fuel costs. The problem of how to
minimize the cost of fuel to determine the combination of the output power of each generating unit with the fulfillment
of load constraint systems and limit the ability of each generating unit known as economic dispatch (ED). In this study,
the proposed method Modified Improved Particle Swarm Optimization (MIPSO) approach Contriction Factor Based
Particle Swarm Optimization (CFBPSO) then this approach is applied in 2 cases the power system in the case of IEEE
30 bus at loading 800 MW and 500 kV power system Java-Bali with 12058 MW peak load. The IEEE 30 bus
simulation results, the method MIPSO with CFBPSO approach is able to produce the most optimal economic solution
than MPSO approach and Quadratic Programming. For the case of 500 kV power system is Java-Bali, MIPSO method
with this approach is also able to provide the most optimal solution compared with the real system PT. PLN (Persero).
Keywords: economic dispatch (ED), modified improved particle swarm optimization (MIPSO), 500 kV power system in
Java-Bali.
pembangkit. Cara ini dikenal dengan istilah Economic Ci (Pi )= α + βi Pi + γi P2i
Dispatch (ED) [26][1].
Sehingga fungsi tujuan untuk meminimalkan total biaya
Beberapa metode dapat digunakan untuk menyelesaikan bahan bakar pembangkitan dinyatakan :
masalah ED. Metode tradisonal seperti Iterasi Lambda,
Gradient, dan Newton-Raphson [25] yang menggunakan Ct = min N
i=1 Ci (Pi ) (2)
kurva incremental cost dimana metode ini dapat dilakukan
jika kurva karakteristik incremental cost ini diidealkan
dengan
terlebih dahulu, sehingga kurva terbentuk menjadi halus
Ct = total biaya bahan bakar
dan convex. Untuk kurva non-convex dapat diselesaikan
Ci = biaya bahan bakar unit i
dengan cara menggunakan metode Dynamic Programming
i = unit pembangkit
(DP) [10]. Metode ini memiliki kelemahan karena
αi, βi, dan γi = koofisien fungsi biaya bahan bakar
seringkali mengalami kendala terjebak pada masalah
Pi = daya keluaran untuk unit i
optimasi lokal [2][16]. Untuk mengatasi masalah ini,
beberapa metode alternatif telah dikembangkan seperti
Dalam meminimalkan total biaya bahan bakar ini perlu
Algoritma Genetik (GA) [3], Neural Network (NN) [15],
memperhatikan batas kekangan sebagai berikut :
dan Particle Swarm Optimization (PSO) [2][4-
5][8][16][19-20].
1. Total daya output pembangkitan harus sama dengan
total permintaan beban di tambah total rugi-rugi transmisi,
Particle Swarm Optimization (PSO) adalah metode
dengan persamaan :
optimasi heuristik global yang awalnya dikemukan oleh J.
Kennedy dan Eberhart R. pada tahun 1995 yang N
didasarkan pada kecerdasan hewan atau perilaku i=1 Pi = Pd + Pl (3)
pergerakan kawanan burung atau ikan dalam mencari
makanan sehingga dapat diterapkan pada metode dengan
penelitian ilmiah maupun rekayasa. Keuntungan utama
dari algoritma PSO yaitu konsep sederhana, implementasi Pl = PiTBPi (4)
yang mudah, ketahanan untuk mengontrol parameter, dan
efisiensi komputasi dibanding teknik optimasi heuristik dimana
lainnya [9][21-22]. Shi Y. dan Eberhart R. (1998)
melakukan modifikasi PSO dengan menerapkan Inertia Pl = rugi-rugi transmisi
Weight (IW) untuk meredam kecepatan selama iterasi agar PiT = daya output pembangkit i di transpose
secara imbang menjaga pencarian global dan lokal [14]. Pi = daya output pembangkit i
Selanjutnya Clerc (1999) melakukan perbaikan dengan B = koofisien rugi-rugi transmisi
menggunakan Contriction Factor (CF) dengan tujuan Pd = daya permintaan beban
untuk menjamin konvergensi dari algoritma PSO dan
osilasi amplitudo partikel menurun dari waktu ke waktu 2. Batas kemampuan unit i dengan pertidaksamaan :
tanpa pengaturan kecepatan maksimum [17].
Pi,min ≤ Pi ≤ Pi,max (5)
Eberhart R. dan Shi Y. (2000) melakukan penelitian
kembali dengan membandingkan Inertia Weight (IW)
dengan Contriction Factor (CF) dan menemukan bahwa dimana
penggunaan CF memiliki konvergensi yang lebih baik
dibanding IW [18]. Pi = daya keluaran unit i
Pi,min = daya pembangkitan minimum unit i
Dalam masalah ini diusulkan metode optimasi Particle Pi,max = daya pembangkitan maksimum unit
Swarm yang dimodifikasi dan ditingkatkan dengan
pendekatan Constriction Factor Based Particle Swarm
Optimization (CFBPSO) untuk menyelesaikan 2.2. Particle Swarm Optimization
permasalahan ED. Efektivitas metode tersebut diujikan 2.2.1. Algoritma Dasar Particle Swarm Optimization
pada sistem standar IEEE 30 bus dan sistem interkoneksi [21].
500 kV Jawa-Bali.
Kennedy dan Elberhart (1995), memperkenalkan
algoritma Particle Swarm Optimization (PSO) dimana
2. Metode proses algoritmanya terinspirasi dari perilaku sosial
2.1. Model Persamaan Economic Dispatch binatang seperti sekumpulan burung atau ikan dalam
mencari makanan. Dalam PSO setiap partikel berpindah
Fungsi biaya bahan bakar pada masing-masing unit dari posisinya semula ke posisi yang lebih baik dengan
pembangkit dapat dinyatakan fungsi kuadratik yaitu :
TRANSMISI, 15, (2), 2013, 68
suatu velocity. Algoritma PSO vektor velocity di-update 2.2.3. Modified Improvement Particle Swarm
untuk masing-masing partikel kemudian menjumlahkan Optimization (MIPSO) dengan Contriction
vektor velocity tersebut ke posisi partikel. Update velocity Factor
pada penerapan ED dipengaruhi oleh kedua solusi yaitu
global best yang berhubungan dengan biaya yang paling Clerc M (1999) melakukan penerapan constriction factor
rendah yang pernah diperoleh dari suatu partikel dan local dikenal dengan istilah Contriction Factor Based Particle
best yang berhubungan dengan biaya yang paling rendah Swarm Optimization (CFBPSO). Peningkatan dan
pada populasi awal. Adapun persamaan algoritma dasar modifikasi ini bertujuan untuk menjamin suatu
ini adalah sebagai berikut : penelusuran dalam algoritma PSO untuk konvergen lebih
cepat [5][17][19]. Persamaan dinamis dari PSO, velocity
k k k dimodifikasi dan ditingkatkan menjadi:
vk+1 k k k k
id = vid + c1 r1 Pbestid - xid + c2 r2 (Gbestd -xid ) (6)
k k k
dan vk+1 k k k k
id = CF (vid + c1 r1 Pbestid - xid + c2 r2 (Gbestd -xid ) (10)
xk+1 k k+1
id = xid + vid (7) dengan
2
dengan CF= (11)
2- φ- φ2 - 4φ
vkid = kecepatan partikel i, dimensi d pada epoch k
vk+1
id = kecepatan partikel i, dimensi d pada epoch k+1 dan
xkid = posisi partikel i, dimensi d pada epoch k
xk+1
id = posisi partikel i, dimensi d pada epoch k+1 𝜑 = 𝑐1 + 𝑐2 dan 𝜑 >4 (12)
rk1 , rk2 = nilai random antara 0 dan 1
c1 , c2 = koofisien acceleration Algoritma MIPSO dalam economic dispatch ditunjukkan
Pbestkid = posisi terbaik lokal partikel i, pada epoch k pada Gambar 1.
Gbestkd = posisi terbaik global partikel i, pada epoch k
k k k
vk+1 k k k k
id = w vid + c1 r1 Pbestid - xid + c2 r2 (Gbestd -xid ) (8)
dengan
wmax - wmin
w i = wmax - imax
i (9)
dimana
Gbest sebagai solusi economic dispatch Tabel 2. Perbandingan Hasil Simulasi Kasus IEEE 30 bus
Quad. CFBPSO
MPSO
Selesai Unit Progr.
[2]
[2] 0.729 1
1 32.63 32.67 32.63 32.56
Gambar 1. Flowchart Algoritma MIPSO
2 14.48 14.45 14.49 14.48
3 141.54 141.73 141.54 141.42
4 136.04 136.56 136.12 136.07
5 257.65 257.37 257.45 257.45
6 243.00 242.54 243.09 243.09
Epoch - 34450 23330 12692
TRANSMISI, 15, (2), 2013, 70
2. Untuk simulasi pada sistem 500 kV Jawa- Bali dimana [12]. Xiaohong Qiu, Jun Liu, Xuemei Ren. The Random
hasil simulasi dengan pembebanan puncak tanggal 30 Factors in Particle Swarm Optimization. Journal IEEE.
November 2011 pada pukul 19.00 WIB menunjukkan 2009; seri 978-1-4244-4738-1.
bahwa metode MIPSO dengan pendekatan CFBPSO [13]. Cheun-Yau Chen, Chen-Hsueh Chuang, Meng-Cian Wu.
Combining Concepts of Inertia Weights and Constriction
mampu memberikan solusi paling optimal ekonomi
Factors in Particle Swarm Optimization. Journal IEEE.
yaitu Rp. 5.560.833.000,- per jam dibandingkan 2012; seri 978-1-4577-1779-6/12.
dengan data operasi pada PT. PLN (Persero) yaitu
sebesar Rp. 6.556.151.000,- per jam sehingga metode Proceeding:
yang diusulkan mampu mereduksi biaya sebesar Rp.
995.318.000,- per jam dengan jumlah epoch pencarian [14]. Y.Shi, R.Eberhart. A Modified Particle Swarm Optmizer.
20036. Proc. IEEE Int. Conf. Evol. Comput. May 1998; pp69-73.
[15]. M Mohatram, S Kumar. Application of Artificial Neural
Network in Economic Generation Scheduling of Thermal
Referensi Power Plants. Proceedings of the National Conference.
2006.
Journal: [16]. M. Sudhakaran, P. Ajay, D. Vimal Raj, T.G. Palanivelu.
Application of Particle Swarm Optimization for Economic
[1]. Jizhong. Optimization of Power System Operation Load Dispatch Problem. International Conference on
Principal Engineer. AREVA T & D Inc. Redmond, WA, Intelligent Sistem Application to Power Sistem. Nov.
USA, IEEE series of Power Engineering. 2009. 2007; page 4-8.
[2]. Hardiansyah, Junaidi, MS. Yohannes. Solving Economic [17]. M. Clerc. The Swarm and The Queen: Towards a
Load Dispatch Problem Using Particle Swarm Deterministic and Adaptive Particle Swarm Optimization.
Optimization Technigue. I.J. Intelligent Sistem and Proc. 1999 Congress on Evolutionary Computation,
Application. 2012; page: 12-18. Washington, DC Piscataway, NJ: IEEE Service Centre,
[3]. Adrianti. Penjadwalan Ekonomis Pembangkit Thermal 1999; pp. 1951-1957.
dengan Memperhitungkan Rugi-rugi Saluran Transmisi [18]. R.C. Eberhart, Y. Shi. Comparing Inertia Weight and
Menggunakan Metode Algoritma Genetik. Jurnal TeknikA Constriction Factors in Particle Swarm Optimization.
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Proceding of the 2000 Congress on Evolutionary
Andalas. April 2010; page 33 vol. 1. Computation. 2000; Vol. 1, ,pp. 84-88.
[4]. Zwe-Lee Gaing. Particle Swarm Optimization to Solving [19]. AM. Ilyas, Ontoseno Panangsang, Adi Soeprijanto.
The Economic Dispatch Considering The Generator Optimisasi Pembangkit Thermal Sistem 500 kV Jawa-
Constraints. IEEE Transaction on Power Sistem. August Bali Menggunakan Modified Particle Swarm Optimization
2003; Vol. 18, No. 3. (MIPSO). National Conference : Design and Application
[5]. Steven Young, Moh. Montakhab, Hassan Nouri. A of Technology, 2010.
Constriction Factors based Particle Optimization [20]. Maickel Tuegeh, Adi Soeprijanto, Mauridhi Hery P.
Algorithm to Solve The Economic Dispatch Problem Optimal Generator Scheduling based on Particle Swarm
Including Losses. International Journal of Innovations in Optimization. Seminar Nasional Informatika UPN
Energy Sistem and Power. July 2011; Vol. 6, No. 1. Veteran Yogyakarta. Mei 2009; ISSN : 1979-2328..
[6]. Kwang Y. Lee, Fellow, Jong-Bae Park. Application of [21]. J. Kennedy, R. C. Eberhart. Particle Swarm Optimization.
Particle Swarm Optimization to Economic Dispatch Proceedings of IEEE International Conference on Neural
Problem Advantages and Disadvantages. Journal IEEE. Networks (ICNN’95). 1995; 1942-1948..
2006; seri 142440178X. [22]. Y. Shi, R. C. Eberhart. Particle Swarm Optimization:
[7]. Pichet. Sriyanyong. Particle Swarm Optimization : Development, Applications, and Resources. Proceedings
Development and Implementationn. Academic paper, of the 2001 Congress on Evolutionary Computation. 2001;
Department of Teacher Training in Electrical 1: 81-86.
Engineering, Faculty of Technical Education, King [23]. Xian-Han Chien, Wie-Ping Lee, Chen-Yi Liao, Jang-Ting
Mongkut’s University of Technology North Bangkok. Dai. Adaptive Constriction Factors for Location-Related
[8]. Andi Muh. Ilyas, M. Natsir Rahman. Economic Dispatch Particle Swarm. Proceeding of the 8th WSEAS
Thermal Generator Using Modified Improved Particle International Conference on Evolutionary Computing,
Swarm Optimization. Jurnal Telkomnika. July 2012; Vol. Vancouver, British Columbia, Canada, June 2007; 19-21.
10, No.3, pp 459-470. [24]. Zhiyu You, Weirong Chen, Xiaoqiang Nan. Adaptive
[9]. Qinghai Bai. Analysis of Particle Swarm Optimization Weight Particle Swarm Optimization Algorithm With
Algorithm. Computer and Informatic Science Journal. Constriction Factors. International Conference of
Feb.2010; Vol. 3 No 1. Information Science and Management Engineering, 2010.
[10]. Z.X. Liang, J. D. Glover. A Zoom Feature For a Dynamic
Programming Solution to Economic Dispatch Including Texbooks:
Transmission Losses. IEEE Transactions on Power
Systems, 1992; page 544-550. [25]. Hadi Saadat. Power System Analysis. New Delhi: Tata
[11]. Anula Khare, Saroj Rangnekar. Particle Swarm McGraw Hill Publishing Company. 2001.
Optimization : A Review. Journal Department of Energy, [26]. Budi Santoso, Paul Willy. Metoda Metaheuristik Konsep
Maulana Azad National Institute of Technology, Bhopal dan Implementasi. Surabaya: Guna Widaya. April 2011
462051, India. [27]. William D Stevenson, Jr. Power System Analysis
Copyright 5th edition, Erlangga. 1996.