Optimisasi Penempatan dan Ukuran Kapasitor Bank Untuk Mengurangi Rugi-Rugi Daya Menggunakan Metode M etode Algoritma Algoritma Genetika (Studi Kasus Interkoneksi Subsistem Sumbagsel 150 kV)
OLEH : JONI IRAW AN G1D006007 Dosen Pembimbing i,S.T.,M.T Pembimbing Utama : Anizar Indrian i,S.T.,M.T Pembimbing II
: Yu li Rod iah,S.T.,M.T iah,S.T.,M.T
Seminar Skripsi Pro gram Studi Teknik Teknik Elektro Universitas Ben gkulu
Latar Belaka ng Meningkatnya beban pada jaringan Beban induktif Kebutuhan daya reaktif meningkat Arus reaktif mengalir pada jaringan Faktor daya menurun, drop tegangan dan rugi-rugi daya besar, Pemasangan kapasitor bank dengan optimisasi penempatan dan ukuran menggunakan metode algoritma genetika Meminimalkan rugi –rugi daya dan memperbaiki profil tegangan
O p t i m a l Pl P l a c e m e n t C a p a c it it o r
Perumusan Masalah •
Apakah Apakah metode metode algor algoritm itmaa genetik genetikaa bisa ditera diterapka pkan n juga pada pada data data pemband pembanding ing sistem Jawa Bali 500 kV?
•
Bera Berapa pa pers persen en perbe perbeda daan an penur penuruna unan n rugirugi-rug rugii daya daya antara antara metod metodee algo algori ritm tmaa Artificial Bee Colony (ABC) dengan metode algoritma genetika pada sistem Jawa
Bali? •
Bera Berapa pa besa besarny rnyaa day dayaa pem pemba bang ngki kita tan, n, pem pembe beban banan an
inte interk rkone oneks ksii
subsi subsist stem em
Sumbagsel 150 kV? •
Baga Bagaim iman anaa
cara cara meng mengim impl plem emen enta tasi sika kan n meto metode de
algo algori ritm tmaa genet genetik ikaa dala dalam m
optimisasi penempatan dan ukuran kapasitor bank ? •
Bagaimana Bagaimana algoritma algoritma penyelesaia penyelesaian n optimisa optimisasi si penempatan penempatan dan ukuran ukuran kapasitor kapasitor bank dengan metode algoritma genetika?
O p t i m a l Pl P l a c e m e n t C a p a c it it o r
TUJUAN PENELITIAN
•
Membandingk Membandingkan an hasil hasil optimisas optimisasii mengguna menggunakan kan metode metode algoritma algoritma Artificial Bee Colony (ABC) dengan menggunakan metode algoritma genetika pada sistem Jawa Jawa Bali 500 kV. kV.
•
Mene Menentu ntuka kan n alir aliran an daya daya dan dan rugirugi-rug rugii daya daya pada pada jari jaring ngan an inte interk rkone oneks ksii subsi subsist stem em Sumbagsel 150 kV sebelum kompensasi daya reaktif.
•
Opti Optimi misa sasi si leta letak k dan dan ukura ukuran n kapa kapasi sitor tor bank pada pada jari jaringa ngan n inte interk rkone oneks ksii subsi subsist stem em Sumbagsel 150 kV dengan menggunakan metode algoritma genetika.
•
Mene Menentu ntuka kan n alir aliran an daya daya dan dan rugirugi-rug rugii daya daya pada pada jari jaring ngan an inte interk rkone oneks ksii subsi subsist stem em Sumbagsel 150 kV setelah kompensasi daya reaktif.
•
Mene Menentu ntuka kan n graf grafik ik perub perubah ahan an tega teganga ngan n tiap tiap bus dan dan rugirugi-rug rugii daya daya subsi subsist stem em Sumbagsel 150 kV sebelum dan setelah kompensasi daya reaktif
O p t i m a l Pl P l a c e m e n t C a p a c it it o r
BATASAN MASALAH
• Faktor harmonisa akibat pemasangan kapasitor bank diabaikan. • Biaya kapasitor bank tidak diperhitungkan. • Hasil skripsi berupa analisis dan simulasi. • Simulasi aliran daya Newthon Raphson menggunakan tool MATLAB
Hadi Saadat. • Simulasi algoritma genetika menggunakan program MATLAB 7.0.1.
penelitian menggunakan data sekunder subsistem Sumbagsel 150 • Objek penelitian kV.
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Tinjaun Pustaka
K om pen sasi Daya Reak t if 1. Tegangan Bu s Gener ator 2. Tap Tra fo 3. K om pensator VAr
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
Gambar 2.4. Tegangan terima sebelum dan sesudah dipasang kapasitor paralel Sumber : Imam Robandi (2006)
Persamaan
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
P 2
Q-QC
1
Q
QC
S2 S1
Gambar 2.5. Perbandingan besar daya semu yang dibutuhkan Sumber : Imam Robandi (2006)
Persamaan
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Metode Optimisasi
Algoritma Genetika Menurut Suyanto (2005) Algoritma Genetika adalah algoritma pencarian yang yang didas didasark arkan an pada pada mekan mekanis isme me sele seleksi ksi alam alamiah iah dan gene geneti tika ka alam alamiah iah.. Pertama kali Algoritma genetika dirintis oleh Jhon Holland pada tahun 1960-an dan dikembangkan oleh muridnya David Goldberg. Algoritma Genetika telah dipelajari, diteliti, dan diaplikasikan.
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
Istilah Isti lah dalam Algor itma Genetika
1. Gen 2. Allel 3. Kromosom 4. Populasi 5. Generasi
Gambar 2.6 Representasi permasalahan algoritma genetika
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Param eter Algoritma Algoritma Genetika
1. 2. 3. 4. 5. 6.
Jumlah Jumlah Gen Jumlah Jumlah Kromosom Kromosom Kemungkina Kemungkinan n pindah silang (Pc) Kemungkina Kemungkinan n mutasi mutasi (Pm) Kemungkina Kemungkinan n pelestari pelestarian an (Pbreeder) Maksimum Maksimum generasi generasi
Kom ponenponen-Kom Kom ponen Algoritma Algoritma Genetika
1. 2. 3. 4. 5. 6. 7.
Pengko Pengkodean dean Nilai Fitness Seleks Seleksii Pindah Silang (crossover ) Mutas Mutasii Elitisme Regene Regenerasi rasi
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
Gambar 2.1o Siklus Algoritma Genetika
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
METODELOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian Waktu aktu pene peneli liti tiaan bula bulan n Dese Desem mber ber 2010 2010 s.d. s.d. Janu Januar arii 201 2011 dan dan tem tempat pat penelitian di PT.PLN PT.PLN Persero P3B P 3B Sumatera bagian operasi sistem 3.2 Implementasi Algoritma Genetika pada Sistem Jaringan Transmisi Untuk menentukan bus-bus yang akan dipasang kapasitor paralel dan
berapa ukuran kapasitor yang akan dipasang secara optimal
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Flowchart program optimisasi penempatan dan ukuran ukuran kapasitor bank menggunakan metode metode algoritma genetika pada sistem jaringan menggunakan MATLAB MATLAB
O p t i m a l Pl P l a c e m e n t C a p a c it it o r
O p t i m a l Pl P l a c e m e n t C a p a c it it o r
3.2.2 Inisialisa Inisialisasi si Awal Awal Populasi Populasi
Gambar 3.1. Model kromosom pada p ada sistem Berikut ini script program inisialisasi inisialisasi populasi dalam MATLAB MATLAB : Populasi = rand(JumKrom,JumGen,2); for I = 1:JumKrom for J = 1:JumGen if Populasi(I,J,1)<0.5 Populasi(I,J,1)=0; %(Posisi) Populasi(I,J,2)=0; %(Nilai kapasitor) else Populasi(I,J,1)=1; %(Posisi) a=rand(1)*40; b=round(a); Populasi(I,J,2)=b*10; %(Nilai kapasitor) end end end
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Script injeksi kromosom dalam toot MATLA MATLAB B Hadi Saadat : for k=1:nbus n=databus(k,1); Qsh(n)=Populasi(I,k,2); Semula tanpa kompensasi Qsh adalah busdata (k,11).
3.2.3 Fungsi Obyektif Fungsi obyektif yang digunakan adalah total rugi-rugi ru gi-rugi daya saluran nominal n ominal (SLT) (SLT) 3.2.4 Rugi-Rugi Daya Minimum Program ini mencari rugi-rugi daya minimum. Program akan berhenti saat injeksi kromosom kromosom mengha menghasil silkan kan rugi-rug rugi-rugii minim minimum um yang yang diingi diinginka nkan n dengan dengan penemp penempata atan n dan ukuran kapasitor bank yang optimal. o ptimal. Script dalam MATLAB : if SLT
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
3.2.5. Evalua Evaluasi si Fungsi Fitness
Script evaluasi fungsi fitness dalam MATLAB MATLAB : if SLT > X % nilai x adalah batasan maksimum nilai obyektif Fit(I)=0; else Fit(I)=10000/SLT; end JFit=JFit+Fit(I);
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
3.2.6. Operator Algoritma Genetika 3.2.6.1. Seleksi Script pembuatan roulette dalam MATLAB : % prosentase fitness prosen=round(100*Fit(I)/JFit); % Pembuatan roulete tanpa rank k=0; for I=1:JumKrom, for J=1:prosen k=k+1; roulette(k)=I; end end
Script pemilihan dalam MATLAB : % Proses Pemilihan (seleksi) for I=1:JumKrom; r=round(k*rand); if r==0 r=1 end pilih=roulette(r); for J=1:JumGen Induk(I,J,1)=Populasi(pilih,J,1); Induk(I,J,2)=Populasi(pilih,J,2); end end
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
3.2.6.2 Kawin Silang (Crossover (Crossover)) Script crossover dalam MATLAB : %Proses kawin silang sthj=JumKrom/2 anak=Induk; for I=1:sthj p=rand; % bangkitkan bil acak 0 s.d 1 sbyk jumKrom if p
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
3.2.6.3 Mutasi
Script mutasi dalam MATLAB : % Proses Mutasi for I=1:JumKrom p=rand; % bangkitkan bil acak 0 s.d 1 sbyk jumKrom if p
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
3.2.6.4. Elitisme Script mutasi dalam MATLAB : % Proses Elitisme for i=1:JumKrom p=rand; if p
3.2.6.5. Regenerasi Script regenerasi dalam MATLAB : Populasi=anak;
Opt im al Placem en t Cap acitor
3.5. Data Subsistem Subsistem Sumbagsel Sumbagsel 150 kV
Gambar 3.3. Single line diagram interkoneksi subsistem Sumbagsel 150 kV Sumber: PT. PLN P3B Sumatera bidang operasi sistem (telah diolah kembali)
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Tabel 3.1. Data saluran saluran interkoneksi subsistem Sumbagsel Sumbagsel 150 kV i-j 1-15 1-21 1-2 1-16 2-16 3-16 3-17 4-5 5-18 6-19 7-12 8-33 8-30 8-34 9-33 10-23 11-28 12-14 13-15 14-15 17-20 17-18 18-19 21-22 21-23 22-23 23-24 24-26 24-36 24-25 25-28 25-31 25-30 25-29 26-27 29-30 31-35 31-33 31-32 33-35
R(pu)
X(pu)
½B
Tap s etting
0,01 4 1 96
0,0 4 7 5 02
0 ,0 10 5 0 0
0,01 9 6 64
0,0 6 5 8 00
0 ,0 11 5 0 0
0,00 7 0 17
0,0 3 2 4 13
0 ,0 19 2 5 0
0,02 1 0 00
0,0 9 7 0 00
0 ,0 19 2 5 0
0,01 3 9 83
0,0 6 4 5 87
0 ,0 19 2 5 0
0,00 7 7 32
0,0 3 5 7 15
0 ,0 14 2 5 0
0,00 2 9 37
0,0 1 3 5 66
0 ,0 05 2 5 0
0,00 0 1 72
0,0 0 1 1 00
0 ,0 02 7 5 0
0,00 1 8 13
0,0 1 1 2 42
0 ,0 07 7 5 0
0,00 1 5 94
0,0 0 7 1 74
0 ,0 08 5 0 0
0,00 0 5 09
0,0 0 2 6 72
0 ,0 03 7 5 0
0,00 0 6 18
0,0 0 5 0 85
0 ,0 04 4 2 5
0,00 1 4 68
0,0 1 6 8 85
0 ,0 11 0 0 0
0,00 1 7 50
0,0 1 4 3 92
0 ,0 10 3 2 5
0,00 4 1 83 0,00 3 9 70
0,0 1 3 9 96 0,0 1 3 2 83
Tabel 3.2. Data pembangkitan dan beban beban subsistem Sumbagsel Sumbagsel 150 kV
0 ,0 03 2 5 0 0 ,0 02 5 0 0
0,00 8 0 28
0,0 3 6 1 28
0 ,0 12 5 0 0
0,00 3 4 55
0,0 2 1 4 21
0 ,0 15 6 2 5
0,02 4 7 64
0,0 8 2 8 65
0 ,0 15 0 0 0
0,00 4 8 90
0,1 0 4 2 00
0 ,0 25 0 0 0
0,00 1 2 50
0,0 0 7 7 50
0 ,0 06 0 0 0
0,00 0 9 34
0,0 0 5 7 90
0 ,0 04 5 0 0
0,01 2 4 58
0,0 6 6 9 51
0 ,0 26 0 0 0
0,03 4 3 65
0,1 1 4 9 91
0 ,0 19 3 6 0
0,05 0 4 17
0,1 6 8 7 04
0 ,0 32 0 0 0
0,01 7 4 24
0,0 5 8 3 05
0 ,0 12 8 0 0
0,00 8 8 86
0,0 2 9 7 33
0 ,0 10 5 0 0
0,03 0 2 32
0,1 0 1 1 63
0 ,0 18 5 0 0
0,02 3 6 60
0,0 7 9 1 71
0 ,0 08 0 0 0
0,00 7 2 56
0,0 2 4 2 79
0 ,0 07 7 5 0
0,01 0 1 21
0,0 3 3 8 68
0 ,0 06 2 5 0
0,00 4 7 58
0,0 1 5 9 22
0 ,0 02 7 5 0
0,01 4 6 26
0,0 7 8 6 07
0 ,0 20 5 0 0
0,01 1 4 91
0,0 4 0 2 18
0 ,0 07 1 7 5
0,01 1 8 81
0,0 4 0 4 44
0 ,0 14 5 0 0
0,02 6 2 92
0,0 9 2 0 23
0 ,0 13 3 2 5
0,00 6 5 72
0,0 2 1 9 92
0 ,0 04 7 5 0
0,01 5 8 79
0,0 5 3 1 32
0 ,0 09 5 0 0
0,00 4 3 64
0,0 1 4 6 03
0 ,0 02 7 5 0
0,00 9 7 27
0,0 3 2 5 48
0 ,0 06 0 0 0
1
B eban No Bu s
P embang kitan
Nama B us
1 MW
1
MVAr
MW
MVAr
Qmin
Qmax
1 1 1 1 1 1
1
Bu kit As am (Slack)
3 4,48
1 6 ,7
26 0
61 ,8 5 3 2
-1 3 0
22 0
2
Gunu ng Meg ang
2 5,32
12 ,2 6
80
-0 ,8 7 1 4
-3 9 ,2
5 2,67 8
3
I ndralaya
3 3,92
16 ,4 3
12 4
20 ,9 9 0 1
-7 0
96
4
I P P Borang
0
0
15 0
4 ,5 9 4 2
-4 0
60
5
Borang
9 4,08
45 45 ,5 6
36
-2 ,5 3 5 1
-2 4 ,4 9
3 2,92 4
6
Talang Duku
0
0
28
0 ,7 8 0 1
-1 5
18
13 8
1 1
7
Mus i
0
0
21 0
55 55 ,3 3 3 9
-1 02 ,8 7 9
1
8
N ew Tarah an
2 3,01
11 ,1 4
20 0
53 ,6 1 0 1
-8 0
18 0
1
9
Tar ahan
3 2,98
15 15 ,9 8
18
-2 ,6 0 1 5
-8 ,3 6 7
1 0 ,5
1
10
Bes ai
0
0
90
19 ,7 6 3 8
-8 0 ,6
7 6 ,2
1
11
Batu Teg i
0
0
2 8 .6
3 ,8 8 2 3
-1 6
18
1
12
P ekalongan
7 3,06
35 ,3 9
0
0
0
0
1
13
P ag ar Alam
1 4,31
6, 6 ,9 3
0
0
0
0
14
Lu buk Lingg au
4 2,89
0 ,7 8
0
0
0
0
15
Lahat
2 2,35
10 ,8 3
0
0
0
0
16
P rabumulih
2 1,14
10 ,2 4
0
0
0
0
17
Ker amas an
9 4,72
45 ,8 7
0
0
0
0
18
Talang K elapa
3 0,21
14 ,6 3
0
0
0
0
1 1 1 1 1
19
Betu ng
0
0
0
0
0
0
20
Mariana
1 5,18
7 ,3 5
0
0
0
0
21
Baturaja
5 3,09
25 ,7 2
0
0
0
0
1
22
Blambang an Umpu
4 ,8
2 ,3 3
0
0
0
0
1
23
Bu kitkemuning
2 4,32
11 ,7 8
0
0
0
0
1
24
Kotabumi
3 3,36
16 ,1 6
0
0
0
0
1
25
Teg ine neng
3 5,57
17 ,2 3
0
0
0
0
1
26
Meng g ala
2 8,78
13 ,9 4
0
0
0
0
1
27
Gumawang
2 5,31
12 ,2 6
0
0
0
0
1
28
P ag elaran
3 7,29
18 ,0 6
0
0
0
0
29
Metro
3 0,05
14 ,5 6
0
0
0
0
30
Sribawon o
2 8,28
13 ,6 9
0
0
0
0
31
Natar
3 4,48
32
Teluk Betun g
1 1 1
1 1 1 1 1 1 1 1
60 ,7
4 1 ,7 0 29 ,3 9
0
0
0
0
0
0
0
0
33
Sutami
2 4,16
1 1 ,7
0
0
0
0
34
Kaliand a
1 8,61
34 ,0 1
0
0
0
0
0
0
0
0
0
0
2 1,51
10 ,4 2
0
0
0
0
35
Suk arami
36
Adijaya
3.6 Data Pembanding Sistem Jawa Bali 500 kV
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Tabel 3.3. Data saluran transmisi Jawa Bali 500 kV i-j
R(pu)
X(pu)
½B
Tap setting
1-2
0,000626496
0,007008768
0
1
1-4
0,006513273
0,062576324
0,005989820
1
2-5
0,013133324
0,146925792
0,003530571
1
3-4
0,001513179
0,016928309
0
1
No
4-5
0,001246422
0,011975010
0
1
Bus
4-18
0,000694176
0,006669298
0
1
5-7
0,004441880
0,042675400
0
1
1 2
Suralaya Cilegon
5-8
0,006211600
0,059678000
0
1
5-11
0,004111380
0,045995040
0,004420973
1
6-7
0,001973648
0,018961840
0
1
6-8
0,005625600
0,054048000
0
1
8-9
0,002822059
0,027112954
0
1
9-10
0,002739960
0,026324191
0
1
10-11
0,001474728
0,014168458
0
11-12
0,001957800
0,021902400
12-13
0,006990980
13-14
Tabel 3.4. Data pembangkitan dan pembebanan pembebanan sistem sistem Jawa Bali 500 kV Beban Nama Bus
MW
Pembangkitan
MVAr
135 620
40 200
MW 3059 0
MVAr
Qmin
Qmax
1262 0
-600 0
2040 0
3
Kembangan
670
230
0
0
0
0
4
Gandul
480
160
0
0
0
0
5
Cibinong
615
19 190
0
0
0
0
6 7
Cawang Bekasi
670 570
160 150
0 0
0 0
0 0
0 0
8
M uaratawar
0
0
1082
488
-700
1540
9
Cibatu
726
280
0
0
0
0
1
10 11
Cirata Saguling
600 0
216 0
189 300
84 65
-4 -488 -140
488 44 440
0
1
12
Ba Bandung Selatam
520
310
0
0
0
0
0,067165900
0,006429135
1
13
Mandirancan
350
120
0
0
0
0
0,013478000
0,129490000
0,012394812
1
14-15
0,013533920
0,151407360
0,003638261
1
14 15
Ungaran Ta Tanjung Jati
290 0
32 320 0
0 672
0 -64
0 -240
0 720
14-16
0,015798560
0,151784800
0,003632219
1
14-20
0,009036120
0,086814600
0
1
15-16
0,037539629
0,360662304
0,008630669
16-17
0,001394680
0,013399400
0
16
Surabaya Barat
760
280
0
0
0
0
17
Gresik
185
80
802
129
-6 -610
660
1
18 19
Depok Tasikmalaya
0 244
0 15
0 0
0 0
0 0
0 0
1
20
Pedan
462
215
0
0
0
0
21
Kediri
316
182
0
0
0
0
22
Paiton
740
240
3244
595
-840
1920
23
Grati
115
1 70
0
0
-302
566
16-23
0,003986382
0,044596656
0
1
18-19
0,014056000
0,157248000
0,015114437
1
19-20
0,015311000
0,171288000
0,016463941
1
20-21
0,010291000
0,115128000
0,011065927
1
21-22
0,010291000
0,115128000
0,011065927
1
22-23
0,004435823
0,049624661
0,004769846
1
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Pengujian Program Algorit Algoritma ma Genetika Tabel 3.7. Representasi algoritma algoritma genetika genetika untuk optimisasi kapasitor Algoritma Algoritma genetika genetika Kromosom
Gen Fung Fungsioby siobyek ekti tiff Fitness
P e n g u ji a n
q Jumlah
Optimisasi Optimisasi kapasitor kapasitor pada sistem transmisi transmisi Kandidat bus sebagai pos posisi kapas pasitor dan kand kandid idat at kapa kapasi sita tass kapa kapasi sito torr yang yang akan akan dipasang Jumlah kapasitor yang akan dipasang pada bus sistem transmisi transmisi F = min min SLT SLT (Rug (Rugii-ru rugida gidaya ya tota total) l)
Penentuan Parameter Kromosom = 20
q Jumlah Gen
Untuk Jawa Bali Jumlah Gen = 23 sedangkan SBS Jumlah Gen = 36
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
q Peluang
crossover (Pc)
Pc=0 Tabel 3.8. Data sampel nilai obyektif dari generasi 1 s.d 4 percobaan Pc=0
Gambar 3.5. 3.5. Grafik nilai obyektif obyektif terbaik setiap generasi generasi pada percobaan Pc=0, Pm=0, Predeer =0 =0 dan MaxGenerasi=4
Gambar 3.6. 3.6. Grafik nilai obyektif obyektif terbaik setiap generasi generasi pada percobaan Pc=0, Pm=0, Predeer =0, =0, dan MaxGenerasi=50
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Tabel 3.9. Data sampel nilai obyektif dari generasi generasi 1 s,d 4 percobaanPc percobaan Pc=0.9 =0.9
Gambar 3.7. Grafik Grafik nilai obyektif obyektif t erbaik setiap generasi generasi pada percobaan Pc = 0,9, Pm=0, Pbreeder =0, =0, dan MaxGenerasi=4
q
Peluang mutasi (Pm) Peluang mutasi yang yang digunakan d igunakan adalah 0,1 O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
q
Peluang pelestarian kromosom (Pbreeder ) Peluang pelestarian kromosom yang digunakan adalah 0,2
Gambar 3.8. Grafik nilai obyektif obyektif terbaik setiap generasi generasi pada percobaan Pc = 0, Pm=0, Pbreeder=0,2, dan MaxGenerasi=50
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
3.7.2. Pem Pembent bentuk ukan an Roulette dan Proses Seleksi Tabel 3.10. Data sampel sampel nilai obyektif, nilai nilai fitness dan fitness relatif
Gambar 3.9 Roulette hasil perhitungan perhitungan
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Tabel Tabel 3.11. Bilangan acak dan pemilihan
Tabel 3.12. Populasi Populasi baru hasil seleksi
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
HASIL DAN PEMBAHASAN
v
Menggunakan Data Pembanding Jawa Bali 500 kV Aliran daya sebelum kompensasi daya reaktif Aliran daya setelah kompensasi menggunakan metode algoritma ABC Aliran daya setelah kompensasi menggunakan metode algoritma genetika
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
Hasil Perbandingan Kompensasi Daya Reaktif Metode Algoritma Algoritma ABC dengan Metode Algoritma Algoritma Genetika Perbandingan Tegangan (pu) 1.040
) u p ( n a g n a g e T
1.020 1.000 0.980 0.960 0.940 0.920 0.900 0.880 1
3
5
9 11 13 13 15 1
19 21 23 25 27 29
No bus sb lm
25.000
ABC
Perbandingan Rugi Daya Aktif (MW)
) 20.000 W
M ( ti k 10.000 a a y a 5.000 d i g 0.000 u ri g u R
15.000 f
Saluran transmisi sblm sblm ABC
Perbandingan Rugi Daya Reaktif (MVAr) ) 200.000 r A V 150.000 M ( f ti 100.000 k a e r 50.000 a y a d 0.000 i g u R -50.000
2
4
5
4
5
1
2
3
4
─ ─ ─ ─ ─ 1
8 1
─ 4
7
8
1
7
8
9
0
1
2
3
4
1
3 1
5
6
0
1
4 1
4 1
6
7
3
9
0
1
2
3
1
6 1
8 1
9 1
0 2
2
2 2
1 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 ─ ─ ─ ─ ─ ─ 1 ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ 5 ─ 6 5 6 8 5 1 0 4 5 6 2 1 9
1
1
1
Saluran transmisi sblm
q
ABC
GA
Menggunakan Data Subsistem Sumbagsel 150 kV Aliran daya sebelum kompensasi daya reaktif Aliran daya setelah kompensasi daya reaktif menggunakan metode GA
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Real dengan Metode Hasil Perbandingan Kompensasi Daya Reaktif Kondisi Real dengan M etode Algoritma Algoritma Genetika
Perbandingan Tegangan (pu) 1.100
) u p ( n a g n a g e T
1.050 1.000 0.950 0.900 0.850 0.800 1
3
5
7
9
11 13 15 1 5 17 1 9 21 21 23 23 25 25 27 27 29 29 31 31 33 3 3 35 35
No. Bus sblm
kondisi
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
Perba ndingan Rugi-Rugi Daya Aktif (MW) 8.000 7.000 6.000
) W M ( 5.000 fi t k a e 4.000 r a y a d 3.000 i g u R
2.000 1.000
0.000 1 1 1 1 2 3 3 4 5 6 7 8 8 8 9 10 11 12 13 14 17 17 18 21 21 22 23 24 24 24 25 25 25 25 26 29 31 31 31 33 15 21 2 16 12 16 16 17 5 18 19 33 30 34 33 23 28 14 15 15 20 18 19 22 23 23 24 26 36 25 28 31 30 29 27 30 35 33 32 35 ─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
Saluran transmisi sblm sblm
kondi kondisi si
opti optimi misa sasi si
O p t i m a l Pl P l a c e m e n t Ca Ca p a c i t o r
Perbandingan Rugi-Rugi Rugi-Rugi Daya Reaktif (MVAr) 25.000
20.000
) r A V M ( f ti k a e r a y a d i g u R
15.000
10.000
5.000
0.000 1 1 1 1 2 3 3 4 5 6 7 8 8 8 9 10 11 12 13 14 17 17 18 21 21 22 23 24 24 24 25 25 25 25 26 29 31 31 31 33 15 21 2 16 16 16 17 5 18 19 12 33 30 34 33 23 28 14 15 15 20 18 19 22 23 23 24 26 36 25 28 31 30 29 27 30 35 33 32 35 -5.000 ─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
sblm sblm -10.000
─
─
─
kondi kondisi si
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
─
opti optimi misa sasi si
Saluran transmisi
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
KESIMPULAN q
q
q
q
q
q
Metode algoritma genetika dapat diterapkan dalam optimisasi penempatan dan ukuran kapasi kapasitor tor bank bank pada pada jaringa jaringan n transm transmisi isi dibukti dibuktikan kan dengan dengan hasil hasil perban perbanding dingan an antara antara metode Algorithm Bee Colony (ABC) dengan metode algoritma genetika pada sistem Jawa Bali 500 kV k V. Hasil Hasil perban perbandin dinga gan n dua metode metode optimis optimisasi asi pada pada sistem sistem Jawa Jawa Bali Bali 500 kV, kV, metode metode algoritma genetika mengalami penurunan rugi daya aktif sebesar 13,68 % dan penurunan rugi daya reaktif sebesar 16,96 16,96 % sedangkan dengan dengan metode ABC mengalami mengalami penurunan rugi daya aktif sebesar 14,04 % dan penurunan p enurunan rugi daya reaktif sebesar 17,41 %. Sebe Sebelu lum m dilak dilakuk ukan an kompe kompens nsas asii day daya reakti reaktiff subs subsis iste tem m Sumb Sumbag agse sell memil memiliki iki total total pembangkitan sebesar 1043,275+j532,342 1043,275+j532,342 MVA, MVA, pembebanan sebesar 1017,960 +j523,040 MVA MVA dan rugi-rugi daya daya sebesar 25,315+j9,303 MVA. MVA. Optimisasi letak dan ukuran kapasitor bank pada subsistem Sumbagsel pada posisi bus 3, 4, 8, 9, 10, 14, 17 ,22, 23, 25, 26, 27, 29, 31, 32, 33, 35,36 dengan total kapasitas 110 MVAr. Setel Setelah ah dila dilaku kuka kan n komp kompen ensa sasi si daya daya reakti reaktiff subs subsist istem em Sumb Sumbag agse sell memil memiliki iki total total pembangkitan sebesar 1041,509+j413,812 MVA, pembebanan sebesar 1017,960+j523,040 MVA, injeksi daya reaktif sebesar 110 MVAr dan rugi-rugi daya sebesar 23,549+j0,773 MVA MVA Pemasangan kapasitor bank dapat menaikkan tegangan terminal dan mengurangi rugi-rugi daya.
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r
Elektro UNIB 2011
O p t i m a l P l a c e m e n t Ca Ca p a c i t o r