UJIAN AKHIR SEMESTER

LAPORAN REVIEW PAPER : ARTIFICIAL NEURAL NETWORK BASED LOAD

FLOW SOLUTION OF SAUDI NATIONAL GRID

Disusun Untuk Memenuhi Nilai Ujian Akhir Semester Mata Kuliah Sistem Tenaga Listrik

Oleh :

ANISA NUR RAHMAH FAJRI

1187070013

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM SUNAN GUNUNG DJATI
BANDUNG
2021
Review Paper : Artificial Neural Network based Load Flow Solution of Saudi National
Grid
Anisa Nur Rahmah Fajri
Jurusan Teknik Elektro Fakultas Sains Dan Teknologi Universitas Islam Negeri Sunan Gunung Djati Bandung
Jl. A.H. Nasution No.105 Bandung, Jawa Barat

Judul : Artificial Neural Network based Load Flow Solution of Saudi National Grid
Objek Penelitian : Jaringan Sistem Tenaga Listrik 380kV di Saudi Arabia
DOI : 10.1109/SASG.2017.8356516
Lokasi Konferensi : Jeddah, Saudi Arabia
Nama Penelitian : Wael Abdullah Alsulami, Sreerama Kumar R
Tahun : 2017
Link IEEE : https://ieeexplore.ieee.org/document/8356516

1. Latar Belakang
Paper ini dibuat untuk mengusulkan tentang Artificial Neural Network (Jaringan
Saraf Tiruan) sebagai solusi dari permasalahan analisis dari load flow pada sistem tenaga
yang cepat dan akurat. Analisis dari permasalahan load flow ini sudah lama diperhitungkan
dengan berbagai macam metode seperti the Gauss-Seidel, the Newton-Raphson dan Fast
Decoupled method. Load Flow Analysis sendiri adalah suatu studi untuk memperoleh
informasi mengenai aliran daya atau tegangan pada suatu jaringan sistem tenaga, selain itu
analisis ini juga diperlukan untuk mengetahui keadaan stabil sistem dalam hal daya nyata
dan reaktif beserta besar dan sudut fasa tegangan pada setiap bus sistem untuk kondisi
pembebanan tertentu.
Sejauh ini metode yang paling sering digunakan dan metode yang efektif adalah
metode Newton-Rhapson karena dengan menggunakan algoritma metode ini dapat
ditentukannya solusi keadaan seimbang, teknik ini digunakan secara efektif sebagai alat
perencanaan oleh berbagai utilitas di seluruh dunia. Namun, metode pendekatan Newton-
Rhapson tak efektif untuk komputasi on-line dari sistem tenaga besar yang praktis karena
overhead komputasi yang signifikan karena sifat iteratif yang melekat pada algoritma
tersebut. Meskipun pendekatan aliran beban DC non-iteratif, yang diturunkan dari NRLF
secara komputasi lebih cepat daripada teknik konvensional, akurasi solusi secara signifikan
lebih kecil daripada rekan-rekan iteratifnya. Oleh karena itu, dalam makalah ini,
pendekatan yang cepat dan akurat diusulkan berdasarkan jaringan saraf tiruan umpan maju
multi-layer untuk analisis aliran beban on-line.
2. Metode
2.1.Metode Newton Rhapson
Tujuan load flow analysis adalah untuk menentukan nilai magnitudo dan
sudut tegangan pada setiap bus, aliran daya aktif dan reaktif pada masing-
masing saluran, dan rugi-rugi saluran transmisi pada sistem tenaga. Untuk
keperluan studi aliran daya, diasumsikan sistem tenaga tiga fasa dalam kondisi
seimbang dan nilai admitansi bersama (kopling) antara elemen diabaikan.
Persamaan Newton Rhapson Load Flow yang digunakan yaitu :

…. (1)
Dimana residu daya, perbedaan antara jadwal dan nilai yang dihitung
diberikan oleh:

…..(2)

…..(3)
Dalam persamaan ini, Pi dan Qi adalah injeksi daya di Bus-i, diberikan
oleh :

….(4)
J1, J2, J3, J4 adalah elemen-elemen dari matriks Jacobian yang
merupakan elemen-elemen dari turunan parsial dari vektor tangan kiri dengan
mengacu pada vektor sisi kanan. Persamaan (1) diselesaikan untuk
mendapatkan [ΔV] dan [Δδ], deviasi masing-masing dalam besaran dan sudut
tegangan bus. Maka perkiraan baru untuk tegangan bus adalah

…..(5)

….(6)
 Newton-Rhapson Load Flow digunakan untuk menghasilkan pola input-
output yang diperlukan untuk melatih Jaringan Saraf Tiruan yang diusulkan
untuk analisis aliran beban.

2.2.Metode Artificial Neural Network untuk Load Flow Analysis

Jaringan saraf tiruan (JST) sangat parallel sistem komputasi yang terdiri
dari sejumlah besar prosesor dengan banyak interkoneksi. Model ANN
mencoba menggunakan beberapa prinsip organisasi seperti pembelajaran,
generalisasi, dan komputasi dalam jaringan pembobotan grafik di mana node
adalah neuron buatan dan diarahkan tepi dengan bobot adalah koneksi antara
output neuron dan masukan.
Untuk membuat JST melakukan beberapa tugas tertentu, perlu untuk
memilih bagaimana unit terhubung satu sama lain, dan untuk mengatur beban
pada sambungan dengan tepat. Koneksi menentukan apakah mungkin bagi satu
unit untuk mempengaruhi lain. Bobot menentukan kekuatan pengaruh. Dalam
tulisan ini, multilayer feed forward ANN (MLFFNN) adalah diusulkan untuk
analisis aliran beban sistem tenaga, arsitektur yang ditunjukkan pada Gambar
dibawah . Kekuatan nyata dan permintaan daya reaktif di berbagai bus beban
dalam sistem dipilih sebagai input ke ANN. Besaran tegangan dan sudut pada
bus ini dipilih sebagai output.

Gambar skema JST untuk analisis load flow

3. Hasil dan Analisa
 Flowchart Analisa loadflow menggunakan JST
Hasil :
Untuk pembuatan pola penelitian Jaringan Saraf Tiruan untuk analisis loadflow ini,
pertama-tama, 16 set kondisi beban dalam hal daya nyata dan daya reaktif permintaan
di berbagai bus beban dibentuk secara acak. Permintaan beban pada setiap bus
diasumsikan bervariasi dalam ±25% solusi aliran beban keadaan tunak kasus dasar dari
sistem sebagai diberikan dalam Lampiran II. 16 set permintaan beban ini membentuk
masukan ke JST. Kemudian sesuai dengan masing-masing pemuatan ini kondisi, output
yang sesuai dalam hal bus beban besaran tegangan dan sudut pada bus beban ini
diperoleh dengan melakukan analisis aliran beban Newton-Raphson. 16 ini set pola
input-output digunakan untuk melatih yang diusulkan JST. dapat dilihat pada data
lampiran dibawah bahwa kesesuaian yang baik dapat dicapai antara keluaran aktual dan
keluaran JST, yang menunjukkan bahwa penelitian ini dapat dikatakan berhasil.

4. Kelebihan dan Kekurangan Analisa

4.1.Kelebihan penelitian
- Penelitian ini mencari solusi atas kekurang efektifannya metode newton
rhapson ini untuk perhitungan sistem tenaga
- Mengembangkan Artificial Neural Network untuk menganalisis sistem load
flow
4.2.Kekurangan
- Kurang spesifiknya data data yang digunakan
- Dalam penelitian terlalu banyak symbol namun tak dijelaskan sevara
spesifik
 - Keterangan identitas jurnal sangat minim

5. Lampiran data