OPTIMISASI PENGATURAN DAYA REAKTIF DAN TEGANGAN PADA SISTEM INTERKONEKSI JAWA-BALI 500 KV MENGGUNAKAN QUANTUM BEHAVED PARTICLE SWARM OPTIMIZATION

OPTIMISASI PENGATURAN DAYA REAKTIF DAN TEGANGAN PADA SISTEM INTERKONEKSI JAWA-BALI 500 KV MENGGUNAKAN QUANTUM BEHAVED PARTICLE SWARM OPTIMIZATION Refi Aulia Krisida, Adi Soeprijanto, Heri Suryoatmojo Jurusan Teknik Elektro FTI - ITS

kontrol. Beberapa pengaturan secara kontinyu terus bertambah sehingga terdapat banyak solusi optimum. Oleh karena itu diperlukan pengembangan metode optimisasi untuk menentukan solusi optimum secara keseluruhan dari semua permasalahan mengenai optimisasi pengaturan daya reaktif dan tegangan [1].

Abstrak : Pada Tugas Akhir ini Quantum behaved Particle Swarm Optimization (QPSO) digunakan untuk meminimisasi rugi daya sistem dan meningkatkan profil tegangan pada sistem tenaga listrik. Efisiensi distribusi daya reaktif pada sistem tenaga listrik dapat dicapai dengan menyesuaikan eksitasi pada generator. Hal ini merupakan permasalahan optimisasi non-linier dimana kecerdasan swarm telah terbukti mampu untuk mendapatkan solusi yang optimum. Dua algoritma digunakan dalam Tugas Akhir ini yaitu algoritma Quantum behaved Particle Swarm Optimization (QPSO) dan Particle Swarm Optimization (PSO). Keefektifan kedua algoritma ini dievaluasi berdasarkan kualitas solusi dan karakteristik konvergensi. Hasil Simulasi pada Sistem Interkoneksi Jawa-Bali 500 kV menunjukkan bahwa solusi dari QPSO lebih efektif daripada PSO dalam mengurangi rugi daya sistem yaitu sebesar 12,14% dan dapat menjaga profil tegangan sistem dalam batas yang diperbolehkan.

2.

TEORI PENUNJANG

2.1 Studi Aliran Daya Studi aliran daya adalah studi yang dilaksanakan untuk mendapatkan informasi mengenai aliran daya dan tegangan sistem dalam kondisi operasi tunak. Informasi ini sangat dibutuhkan guna mengevaluasi unjuk kerja sistem tenaga listrik dan menganalisis kondisi pembangkitan maupun pembebanan. Analisis aliran daya dalam sistem tenaga listrik memerlukan representasi atau pemodelan komponen sistem tenaga listrik. Salah satu metode yang cukup baik untuk digunakan dalam studi aliran daya adalah metode Newton Raphson [2,3].

Kata Kunci : Pengaturan Daya Reaktif dan Tegangan, Particle Swarm Optimization (PSO), Quantum behaved 2.2 Pengaturan Daya Reaktif dan Tegangan Pengaturan daya reaktif dan tegangan dilakukan Particle Swarm Optimization (QPSO) dengan mengatur produksi dan penyerapan daya reaktif pada setiap bagian dari sistem tenaga listrik. Selain pengaturan 1. PENDAHULUAN pada sisi pembangkit, yaitu dengan pengaturan eksitasi Energi listrik merupakan suatu bentuk energi yang generator, pengaturan peralatan tegangan lain harus memiliki peran sangat vital dalam aktivitas keseharian dilakukan untuk menjaga tegangan di keseluruhan sistem manusia. Setiap tahun terjadi peningkatan kebutuhan energi tetap pada batas yang diperbolehkan. Peralatan tambahan yang signifikan dan menuntut pihak penyedia tenaga listrik tersebut salah satunya adalah sumber atau beban daya reaktif, untuk memberikan supply tenaga yang cukup dan berkualitas. seperti capasitor bank dengan power factor control. Selain Sistem tenaga listrik skala besar sangat rentan terhadap itu dapat juga digunakan transformator pengatur, seperti gangguan yang dapat mempengaruhi kondisi kestabilan transformator yang dilengkapi dengan pengaturan tap [2]. sistem. Kondisi yang sama juga terjadi pada sistem Pengaturan daya reaktif dan tegangan dilakukan dengan interkoneksi Jawa-Bali 500 kV. Sistem ini merupakan menggunakan beberapa cara berikut: backbone dari sistem tegangan menengah di pulau Jawa dan  Static VAR Compensator Bali. Oleh sebab itu secara tidak langsung sistem  Shunt capacitor digunakan untuk memperbaiki drop menanggung beban yang besar misalnya industri-industri tegangan secara lokal dilokasi tertentu. dengan mesin-mesin berdaya besar. Perubahan beban yang  Peralatan Flexible AC Transmission System (FACTS) terjadi pada sistem dapat menimbulkan osilasi dan dapat  Pengaturan tap transformator, transformator daya mengganggu kondisi stabil. Pengaturan daya reaktif dan umumnya dilengkapi dengan tap pada lilitannya tegangan sistem tenaga listrik diperlukan untuk menjaga untuk mengubah besarnya tegangan yang keluar dari parameter-parameter jaringan tetap berada pada batas yang transformator. Perubahan tegangan dilakukan dengan telah ditetapkan sebelumnya. Perubahan pada topologi merubah posisi tap transformator. jaringan dan kondisi beban sering kali menyebabkan  Switching saluran transmisi. perubahan tegangan di sistem tenaga listrik sekarang ini.  Pengaturan eksitasi pada generator. Dengan mengatur Penelusuran mengenai permasalahan daya reaktif harus arus eksitasi, tegangan dapat diatur sesuai dengan mempertimbangkan profil tegangan sistem dengan kebutuhan. Untuk menaikkan tegangan, arus eksitasi meminimumkan rugi-rugi pada sistem. Peralatan kontrol dapat ditambah dan berlaku juga sebaliknya. Yang mempunyai batas terendah dan tertinggi membuat pengaturan dimaksud dengan eksitasi atau biasa disebut sistem daya reaktif dan tegangan menjadi semakin kompleks untuk penguatan adalah suatu perangkat yang memberikan sistem tenaga yang luas, yang menggunakan beberapa alat arus penguat kepada kumparan medan generator arus 1

bolak-balik (alternating current) yang dijalankan dengan cara membangkitkan medan magnetnya dengan bantuan arus searah. Tujuan dari optimisasi pengaturan daya reaktif dan tegangan adalah sebagai berikut [1,4,5]: - Meningkatkan profil tegangan - Mengurangi rugi daya aktif dari sistem. - Menentukan kompensasi daya reaktif yang optimal untuk berbagai kondisi operasi. Untuk memperoleh tujuan-tujuan diatas, pilihan-pilihan operator pengaturan sistem tenaga yang dapat digunakan antara lain dengan penambahan eksitasi generator, pengubahan tap transformator dan Shunt capacitor [1,2,5].

adalah probability density function posisinya. Kelemahan yang terdapat pada PSO standar adalah cenderung mencapai konvergensi pada local optima dan tidak dapat menjamin global convergence [6]. Untuk mengatasi problem ini, dapat digunakan Quantum behaved Particle Swarm Optimization (QPSO) yang dapat menjamin global convergence. Dengan menerapkan metode Monte Carlo, fungsi perubahan posisi (position update) dari tiap partikel pada QPSO dituliskan dalam Persamaan 7 dan 8 sebagai berikut [7,8]: 𝑋𝑖𝑑 (𝑡 + 1) = 𝑝𝑖𝑑 (𝑡) + 𝛽(𝑡) ∗ 𝑚𝑏𝑒𝑠𝑡𝑑 (𝑡) − 𝑋𝑖𝑑 𝑡

∗ ln

1 𝑗𝑖𝑘𝑎 𝑘 ≥ 0.5 𝑢

(7)

𝑋 (𝑡 + 1) = 𝑝 (𝑡) − 𝛽(𝑡) ∗ 𝑚𝑏𝑒𝑠𝑡 (𝑡) − 𝑋

𝑡

∗ ln

1

𝑗𝑖𝑘𝑎 𝑘 < 0.5

𝑖𝑑 𝑖𝑑 𝑑 𝑖𝑑 𝑢 2.3 Model Optimisasi (8) Terdapat beberapa model optimisasi untuk pengaturan daya reaktif dan tegangan dengan fungsi objektif yang berbeda-beda. Salah satu model optimisasi pengaturan 𝑝𝑖𝑑 (𝑡) = 𝜑𝑑 (𝑡) ∗ 𝑝𝑏𝑒𝑠𝑡𝑖𝑑 𝑡 + (1 − 𝜑𝑑 (𝑡)) ∗ 𝑔𝑏𝑒𝑠𝑡𝑑 (𝑡) (9) daya reaktif dan tegangan dengan fungsi objektif mendapatkan nilai rugi daya aktif saluran transmisi yang 𝑐1 ∗𝑟 1𝑑 𝑡 𝜑𝑑 𝑡 = (10) minimum adalah sebagai berikut: 𝑐1 ∗ 𝑟 1𝑑 𝑡 +(𝑐2 ∗ 𝑟 2𝑑 (𝑡))

𝑚𝑖𝑛 𝑃𝐿𝑜𝑠𝑠 𝑄𝑆 , 𝑉𝐺 , 𝑇 =

𝑛𝑙 𝑗 =1 𝑃𝑗

𝑄𝐺𝑚𝑖𝑛 ≤ 𝑄𝐺 𝑄𝑆 , 𝑉𝐺 , 𝑇 ≤ 𝑄𝐺𝑚𝑎𝑥 𝑉𝐷𝑚𝑖𝑛 ≤ 𝑉𝐷 𝑄𝑆 , 𝑉𝐺 , 𝑇 ≤ 𝑉𝐷𝑚𝑎𝑥 𝑄𝑆𝑚𝑖𝑛 ≤ 𝑄𝑆 ≤ 𝑄𝑆𝑚𝑎𝑥 𝑉𝐺𝑚𝑖𝑛 ≤ 𝑉𝐺 ≤ 𝑉𝐺𝑚𝑎𝑥 𝑇𝑚𝑖𝑛 ≤ 𝑇 ≤ 𝑇𝑚𝑎𝑥 Dengan, 𝑃𝐿𝑜𝑠𝑠 𝑉𝐺 𝑉𝐷 𝑇 𝑄𝑆 𝑄𝐺

= Rugi daya aktif sistem = Magnitude tegangan bus generator = Magnitude tegangan bus beban = Posisi tap pada transformator = Injeksi daya reaktif dari kapasitor shunt = Daya reaktif yang dibangkitkan generator

(1) 𝑚𝑏𝑒𝑠𝑡 (𝑡) = 𝑑

1 𝑁

𝑁 𝑖=1 𝑝𝑏𝑒𝑠𝑡𝑖𝑑

𝑡

(11)

(2) Dengan, 𝑡 (3) 𝑋𝑖𝑑 𝑡 (4) 𝑋𝑖𝑑 𝑡 + 1 (5) 𝑝𝑖𝑑 (𝑡) (6) 𝑐1 𝑐2 𝑟1𝑑 𝑡

= Iterasi = Posisi saat ini dari partikel i dalam dimensi d pada iterasi t = Posisi dari partikel i dalam dimensi d pada iterasi t + 1 = local attractor dari partikel i dalam dimensi d pada iterasi t = Konstanta akselerasi 1(konstanta kognitif) = Konstanta akselerasi 2 (konstanta sosial) = Bilangan acak yang terdistribusi seragam antara 0 hingga 1 pada iterasi t 𝑟2𝑑 𝑡 = Bilangan acak yang terdistribusi seragam antara 0 hingga 1 pada iterasi t 𝑁 = Jumlah partikel 𝑝𝑏𝑒𝑠𝑡𝑖𝑑 𝑡 = Posisi terbaik lokal dari partikel i dalam dimensi d pada iterasi t 𝑔𝑏𝑒𝑠𝑡𝑑 (𝑡) = Posisi terbaik global dalam dimensi d pada iterasi t 𝑚𝑏𝑒𝑠𝑡𝑑 (𝑡) = Nilai rata-rata posisi terbaik lokal dalam dimensi d pada iterasi t

Subscript min dan max pada persamaan model optimisasi diatas menunjukkan batas atas dan bawah dari konstrain yang tidak boleh dilewati. Dalam melakukan optimisasi pengaturan daya reaktif dan tegangan dengan fungsi objektif mencari nilai rugi daya aktif saluran transmisi yang paling minimum, variabel kontrol yang dapat digunakan dalam proses optimisasi antara lain adalah nilai magnitude tegangan bus generator, rasio (posisi) tap pada transformator dan injeksi daya reaktif dari kapasitor shunt. Sedangkan variabel keadaannya adalah nilai magnitude tegangan bus beban dan daya reaktif yang dibangkitkan oleh generator. Seluruh nilai variabel kontrol dan variabel keadaan tersebut harus berada pada batas minimum dan maksimum yang ditentukan [1,5].

Parameter lain yang dikenal di dalam algoritma QPSO adalah contraction–expansion coefficient. Parameter ini digunakan untuk mengatur kecepatan konvergensi dari partikel. Nilai awal beta yang lebih tinggi dapat menghasilkan keragaman populasi yang lebih besar pada awal optimisasi, sedangkan pada tahap berikutnya nilai beta yang lebih rendah, membuat eksplorasi lebih terfokus dalam mencari ruang. Nilai awal 𝛽𝑚𝑎𝑥 digunakan untuk mengakomodasi pencarian awal yang lebih global dan secara dinamis nilai tersebut berkurang hingga menjadi 𝛽𝑚𝑖𝑛 . Hal ini 3. REALISASI QPSO UNTUK PENGATURAN bertujuan untuk mengakhiri algoritma QPSO dengan DAYA REAKTIF DAN TEGANGAN pencarian lokal yang lebih baik. Fungsi contraction– expansion coefficient (beta) dituliskan dalam Persamaan 12 3. 1 Quantum behaved Particle Swarm Optimization QPSO merupakan integrasi antara quantum sebagai berikut [9]: computing dan PSO. Dalam QPSO, keadaan partikel 𝛽 𝑚𝑎𝑥 −𝛽 𝑚𝑖𝑛 ∗ 𝑖𝑡𝑒𝑟(𝑡) (12) dikarakteristikan dengan fungsi gelombang wave function 𝛽 𝑡 = 𝛽𝑚𝑎𝑥 − 𝑖𝑡𝑒𝑟 𝑚𝑎𝑥 2 Ѱ(x,t), bukan dalam fungsi posisi dan kecepatan. |Ѱ(x,t)| 2

Dengan, 𝛽 𝑡 𝛽𝑚𝑎𝑥 𝛽𝑚𝑖𝑛 itermax 𝑖𝑡𝑒𝑟(𝑡)

Dalam Tugas Akhir ini metode optimisasi QPSO diaplikasikan untuk menemukan nilai parameter tegangan bus generator. Melalui metode optimisasi QPSO ini, nilai parameter yang diperlukan diinisialisasi sebagai bagian dari posisi partikel atau burung yang akan disebar pada ruang permasalahan. Sehingga yang menjadi posisi awal dari partikel adalah nilai parameter tegangan bus generator. Variabel atau dimensi pada QPSO yang digunakan adalah 7 variabel yaitu 7 variabel yang mewakili parameter tegangan pada 7 bus generator pada sistem interkoneksi Jawa-Bali 500 kV yaitu bus generator Cirata, Muara Tawar, Saguling, Gresik, Tanjung Jati, Grati dan Paiton. Output yang ingin dicapai melalui QPSO adalah nilai minimum dari rugi daya aktif saluran transmisi sistem. Proses awal yang ditempuh adalah inisialisasi partikel berdasarkan pada jumlah variabel atau parameter yang dioptimisasi dan jumlah partikel yang ingin disebar dalam ruang permasalahan. Selanjutnya nilai partikel akan diacak berdasarkan pada batas yang telah ditetapkan untuk masing-masing variabel. Selanjutnya proses diteruskan dengan melakukan perhitungan terhadap nilai fitness dari masing-masing partikel berbasis pada fungsi objektif yang telah ditetapkan. Fungsi objektif yang digunakan adalah untuk memperoleh rugi daya aktif saluran transmisi sistem. Berdasarkan pada fungsi objektif inilah ditentukan apakah rugi daya aktif saluran transmisi sistem telah minimum atau belum. Proses selanjutnya adalah melakukan update nilai personal best position, nilai mean best position, nilai global best position, nilai beta dan nilai posisi untuk setiap proses iterasi yang dilakukan. Pada setiap iterasi akan dilakukan evaluasi terhadap nilai fungsi objektif. Dari hasil evaluasi, posisi partikel yang terbaik akan terus dipertahankan hingga proses iterasi berakhir. Proses yang membedakan antara PSO dan QPSO adalah pada QPSO tidak terdapat update velocity partikel. Selain itu, pada QPSO terdapat variabel contraction–expansion coefficient (beta) dan local attractor [7,8,9].

= contraction–expansion coefficient (beta) = Nilai awal contraction–expansion coefficient = Nilai awal contraction–expansion coefficient = Iterasi maksimum = Iterasi

QPSO cukup mudah untuk dimengerti dan diimplementasikan dan QPSO juga telah diuji dalam berbagai permasalahan standar mengenai optimisasi dengan hasil yang sangat baik. Lebih lanjut lagi algoritma QPSO juga telah terbukti lebih efektif daripada algoritma konvensional pada kasus-kasus umum [9]. 3.2 Penerapan QPSO dalam Simulasi Diagram alur (Flowchart) dari penerapan QPSO dalam simulasi ditampilkan pada Gambar 1 berikut. Start

Parameter QPSO dan Data Sistem

I=0 Inisialisasi current position tiap partikel

Perhitungan rugi daya aktif saluran transmisi sistem (Ploss)

Partikel Terbaik Lokal

min Ploss partikel (i) < min Ploss partikel (i-1)

Tidak

4. SIMULASI DAN ANALISIS

Ya Partikel Terbaik Global (i) = Partikel Terbaik Lokal (i)

Update Mbest & Beta Update Position

Partikel Terbaik Global (i) = Partikel Terbaik Global (i-1)

4.1 Data Sistem Interkoneksi Jawa-Bali 500 kV Sistem Interkoneksi Jawa-Bali 500 kV terdiri dari 8 pembangkit, 30 saluran dan 25 bus. Untuk mengerjakan Tugas Akhir ini, diperlukan data-data penomoran bus, data beban dan pembangkitan, serta data parameter saluran. Data beban yang digunakan adalah pada tanggal 19 April 2011 saat beban puncak pada siang hari pukul 13.30 WIB dengan jumlah beban total yang terpasang adalah 10.361 MW dan 3.565 MVAR. Data tersebut ditunjukkan dalam Tabel 1. Dalam Tugas Akhir ini digunakan MVA base sebesar 1000 MVA dan KV base sebesar 500 kV sebagai nilai base dari sistem interkoneksi Jawa-Bali 500 kV.

i = i+1

Ya i < i maks

Tidak

Tabel 1 Data Beban

Vgen = Gbest Position

No Bus

Loadflow Hasil Akhir

1 2 3 4 5 6

Stop

Gambar 1 Diagram Alur Penerapan QPSO pada Penalaan Tegangan Bus Generator

3

Nama Bus Suralaya Cilegon Kembangan Gandul Cibinong Cawang

Jenis Bus Swing Beban Beban Beban Beban Beban

Pembebanan P Q (MW) (MVAR) 219 67 333 179 202 39 814 171 638 336 720 217

Lanjutan Tabel 1

No Bus 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Nama Bus

Jenis Bus

Bekasi Muara Tawar Cibatu Cirata Saguling Bandung Selatan Mandiracan Ungaran Tanjung Jati Surabaya Barat Gresik Depok Tasikmalaya Pedan Kediri Paiton Grati Balaraja Ngimbang

Beban Generator Beban Generator Generator Beban Beban Beban Generator Beban Generator Beban Beban Beban Beban Generator Generator Beban Beban

4.3

Hasil Loadflow Setelah Optimisasi Dengan Menggunakan PSO Hasil aliran daya setelah dilakukan optimisasi pengaturan daya reaktif dan tegangan dengan menggunakan PSO standar diperlihatkan pada Tabel 3. Dari hasil loadflow diperoleh rugi-rugi saluran transmisi (losses) sebesar 245,003 MW dan 2.353,715 MVAR dengan supply daya dari pembangkit sebesar 10.606,003 MW dan 5.918,715 MVAR.

Pembebanan P Q (MW) (MVAR) 1126 331 0 0 1152 345 597 201 0 0 477 254 293 65 193 118 0 0 508 265 127 92 342 95 133 33 365 101 498 124 448 55 180 132 732 287 264 58

Tabel 3 Hasil Loadflow Setelah Optimisasi dengan PSO

No Bus 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

4.2 Hasil Loadflow Sebelum Optimisasi Untuk mengetahui kondisi sebelum optimisasi pengaturan daya reaktif dan tegangan dilakukan analisis aliran daya (loadflow) menggunakan metode Newton Raphson. Hasil aliran daya diperlihatkan pada Tabel 2. Dari hasil loadflow diperoleh rugi-rugi saluran transmisi sebesar 274,611 MW dan 2.679,647 MVAR dengan supply daya dari pembangkit sebesar 10.635,611 MW dan 6.244,647 MVAR. Tabel 2 Hasil Loadflow Sebelum Optimisasi No Bus

Kode Bus

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

1 0 0 0 0 0 0 2 0 2 2 0 0 0 2 0 2 0 0 0 0 2 2 0 0

Magnitude Tegangan Bus (p.u) 1,020 1,016 0,967 0,968 0,968 0,966 0,960 1,000 0,983 0,980 0,970 0,951 0,921 0,928 1,000 0,972 0,980 0,966 0,916 0,912 0,934 1,000 0,990 0,985 0,958 Total

Pembebanan

MW 219 333 202 814 638 720 1126 0 1152 597 0 477 293 193 0 508 127 342 133 365 498 448 180 732 264 10361

MVAR 67 179 39 171 336 217 331 0 345 201 0 254 65 118 0 265 92 95 33 101 124 55 132 287 58 3565

Pembangkitan MW

MVAR

1.429,0 0 0 0 0 0 0 1.760,0 0 948,0 698,4 0 0 0 1.321,6 0 900,0 0 0 0 0 3.180,0 398,6 0 0 10.635,6

1.496,12 0 0 0 0 0 0 1.623,99 0 746,36 185,11 0 0 0 486,20 0 581,00 0 0 0 0 748,29 377,57 0 0 6244,65

Kode Bus 1 0 0 0 0 0 0 2 0 2 2 0 0 0 2 0 2 0 0 0 0 2 2 0 0

Magnitude Tegangan Bus (p.u) 1,020 1,017 0,981 0,982 0,984 0,979 0,974 1,010 0,999 1,000 1,000 0,984 0,965 0,984 1,050 1,034 1,043 0,982 0,952 0,965 0,988 1,050 1,050 0,993 1,019 Total

Pembangkitan MW MVAR 1.399,4 1.168,535 0 0 0 0 0 0 0 0 0 0 0 0 1.760,0 1.290,393 0 0 948,0 233,505 698,4 1025,175 0 0 0 0 0 0 1.321,6 456,647 0 0 900,0 681,834 0 0 0 0 0 0 0 0 3.180,0 518,688 398,6 543,937 0 0 0 0 10.606,0 5.918,715

4.3.4

Hasil Loadflow Setelah Optimisasi Dengan Menggunakan QPSO Hasil aliran daya setelah dilakukan optimisasi pengaturan daya reaktif dan tegangan dengan menggunakan QPSO diperlihatkan pada Tabel 4. Dari hasil loadflow diperoleh rugi-rugi saluran transmisi (losses) sebesar 241,269 MW dan 2.310,995 MVAR dengan supply daya dari pembangkit sebesar 10.602,269 MW dan 5.875,995 MVAR Tabel 4 Hasil Loadflow Setelah Optimisasi dengan QPSO

No Bus 1 2 3 4 5 6 7 8 9 10 11

Keterangan untuk kode bus : 0. Load Bus (Bus Beban) 1. Slack Bus (Swing Bus) 2. Voltage Control Bus (Bus Generator) 4

Kode Bus 1 0 0 0 0 0 0 2 0 2 2

Magnitude Tegangan Bus (p.u) 1,020 1,018 0,995 0,996 1,001 1,002 0,995 1,037 1,024 1,024 1,020

Pembangkitan MW MVAR 1.395,7 837,313 0 0 0 0 0 0 0 0 0 0 0 0 1.760,0 1.622,110 0 0 948,0 426,648 698,4 910,053

Lanjutan Tabel 4

No Bus 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Kode Bus 0 0 0 2 0 2 0 0 0 0 2 2 0 0

Magnitude Tegangan Bus (p.u) 1,003 0,980 0,990 1,050 1,035 1,043 0,997 0,964 0,972 0,991 1,050 1,050 1,001 1,021 Total

optimisasi. Dalam proses perhitungan aliran daya sistem dalam keadaan steady state atau beban konstan dan seimbang. Keberhasilan metode Quantum behaved Particle Swarm Optimization (QPSO) dengan nilai parameter yang ditunjukkan dalam Tabel 5 dalam menyelesaikan optimisasi pengaturan daya reaktif dan tegangan pada sistem interkoneksi Jawa-Bali 500 kV ditunjukan dalam Tabel 7.

Pembangkitan MW MVAR 0 0 0 0 0 0 1.321,6 417,549 0 0 900,0 647,006 0 0 0 0 0 0 0 0 3.180,0 488,537 398,6 526,780 0 0 0 0 10.602,3 5.875,995

Tabel 7 Perbandingan Hasil Optimisasi antara Metode PSO dan QPSO Hal yang dibandingkan

PSO

QPSO

Pembangkitan Daya Aktif (MW) Pembangkitan Daya Reaktif (MVAR) Rugi Daya Aktif Saluran (MW) Rugi Daya Reaktif Saluran (MVAR) Nilai Fitness Terbaik (MW) Penurunan Losses (MW) Prosentase Penurunan Losses Konvergensi

10.606,003 5.918,715 245,003 2353,715 245,003 29.608 10.78 % Iterasi ke-56

10.602,269 5.875,995 241,269 2.310,995 241,269 33.342 12.14 % Iterasi ke-228

4.4 Pembahasan Hasil Simulasi Hasil dari simulasi Tugas Akhir ini ditunjukkan pada nilai tegangan bus generator yang ditala dengan metode PSO dan QPSO. PSO dan QPSO digunakan untuk menala 7 nilai tegangan bus generator. Jumlah burung atau partikel yang digunakan adalah 50 partikel dengan total iterasi pada proses adalah 500 iterasi. Prinsip kerja dari PSO dan QPSO adalah menala parameter tegangan dari 7 bus generator dalam suatu batasan nilai sesuai standar yang telah ditetapkan yaitu 0,95 pu – 1,05 pu. Parameter untuk program PSO dan QPSO, serta batasan nilai tegangan bus generator ditampilkan pada Tabel 5. Hasil penalaan tegangan bus generator dengan PSO dan QPSO ditampilkan pada Tabel 6. Tabel 5 Parameter PSO dan QPSO No Parameter 1 Jumlah Partikel 2 Jumlah Iterasi 3 β Min (QPSO) 4 β Maks (QPSO) 5 Weight Min (PSO) 6 Weight Maks (PSO) 7 Acceleration 1 & 2 (c1 & c2) 8 Jumlah Variabel 9 Batas Atas Tegangan Bus Generator 10 Batas Bawah Tegangan Bus Generator

Nilai 50 500 0,4 1,0 0,2 0,9 2 7 1,05 0,95

Gambar 2 Karakteristik Konvergensi PSO dan QPSO

Kurva konvergensi PSO dan QPSO dalam penalaan tegangan bus generator ditampilkan pada Gambar 2. Grafik karakteristik konvergensi menunjukkan bahwa penalaan melalui metode QPSO mampu menghasilkan nilai rugi daya aktif saluran transmisi yang lebih rendah dibandingkan dengan nilai rugi daya aktif saluran transmisi yang dihasilkan melalui metode PSO. Hal ini menunjukkan bahwa terjadi peningkatan prosentase penurunan rugi daya aktif saluran transmisi sistem sehingga proses penyaluran daya listrik menjadi lebih baik. Metode PSO konvergen pada iterasi ke56 sedangkan metode QPSO menemui titik konvergensi pada iterasi ke-228. Walaupun PSO mempunyai konvergensi yang lebih baik (lebih cepat konvergen) daripada QPSO, namun nilai fitness terbaik yang ditemukan oleh QPSO jauh lebih baik daripada nilai fitness terbaik (rugi daya aktif saluran transmisi yang minimum) yang ditemukan oleh QPSO. Hal ini menunjukkan bahwa solusi yang didapatkan oleh PSO adalah local optima, sedangkan QPSO dapat menemukan solusi yang lebih baik (global optima). Hal ini menunjukkan bahwa performa algoritma QPSO dalam optimisasi pengaturan daya reaktif dan tegangan lebih baik daripada algoritma PSO.

Tabel 6 Hasil Penalaan Tegangan Bus Generator

No Bus 8 10 11 15 17 22 23

Pembangkit Muaratawar Cirata Saguling Tanjung Jati Gresik Paiton Grati

PSO 1.0500 0.9500 1.0500 1.0500 1.0430 1.0500 1.0500

QPSO 1.0465 1.0435 1.0500 1.0500 1.0432 1.0500 1.0500

Pada sistem interkoneksi Jawa-Bali 500 kV tidak terpasang transformator dan shunt capacitor. Dalam optimisasi ini reactor shunt tidak dilibatkan dalam optimisasi karena reaktor difungsikan untuk menjaga tegangan. Sehingga rasio tap transformator dan injeksi daya reaktif dari shunt capacitor tidak dapat dijadikan variabel kontrol dalam 5

Sebelum dilakukan optimisasi, dari hasil loadflow diperoleh daya dari pembangkit sebesar 10.635,611 MW dan 6.244,647 MVAR dengan rugi-rugi saluran transmisi sebesar 274,611 MW dan 2.679,647 MVAR. Setelah dilakukan optimisasi menggunakan metoda QPSO dengan jumlah partikel sebanyak 50 partikel, rugi daya aktif saluran transmisi menurun menjadi 241,269 MW dan konvergen pada iterasi ke-228 ditunjukkan pada Gambar 2. Begitu pula daya aktif dan daya reaktif pembangkit turun dari 10.635,611 MW menjadi 10.602,269 MW dan dari 6.244,647 MVAR menjadi 5.875,995 MVAR yang disebabkan oleh penurunan rugi-rugi saluran transmisi. Dari Gambar 2 dapat dilihat dengan jumlah partikel dan iterasi yang sama, metode QPSO menghasilkan rugi daya aktif lebih minimum dibandingkan dengan PSO standar yaitu sebesar 241,269 MW dan 245,003 MW. Bertambahnya aliran daya reaktif yang bersumber dari generator menyebabkan tegangan bus mengalami kenaikan seperti ditunjukkan pada Gambar 3 atau dengan kata lain pengaturan daya reaktif dan tegangan dapat memperbaiki profil tegangan bus dari sistem interkoneksi Jawa-Bali 500 kV.

[3] Adi Soeprijanto, Diktat Kuliah Analisa Sistem Tenaga [4] Miller, T.J.E., “Reactive Power Control in Electric Systems”, John Wiley & Sons Inc, Canada, 1982 [5] Zhu, Jizhong, “Optimization of Power System Operation”, John Wiley & Sons Inc, New Jersey, 2009 [6] Maickel Tuegeh, Adi Soeprijanto, Mauridhi H.Purnomo, “Modified Improved Particle Swarm Optimization For Optimal Generator Scheduling”, Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009), 2009 [7] Songfeng Lu, Chengfu Sun, Zhengding Lu, “An improved quantum-behaved particle swarm optimization method for short-term combined economic emission hydrothermal scheduling”, Energy Conversion and Management, vol.51, pp.561–571, 2010 [8] Leandro dos Santos Coelho, “Gaussian quantumbehaved particle swarm optimization approaches for constrained engineering design problems”, Expert Systems with Applications, vol.37, pp.1676–1683, 2010 [9] S.N. Omkar, Rahul Khandelwal, T.V.S. Ananth, G. Narayana Naik, S. Gopalakrishnan, “Quantum behaved Particle Swarm Optimization (QPSO) for multiobjective”, Expert Systems with Applications, vol.36, pp.11312–11322, 2009 RIWAYAT HIDUP PENULIS Refi Aulia Krisida, dilahirkan di Surabaya, pada tanggal 11 Juli 1989. Penulis menempuh jenjang pendidikan di TK Kemala Bhayangkari I Surabaya (1994-1996), SD Kemala Bhayangkari I Surabaya (1996-2002), SMPN 12 Surabaya (2002-2005), SMAN 5 Surabaya (2005-2007). Setelah lulus SMA, penulis melanjutkan studinya di S1 Teknik Elektro, Bidang Studi Teknik Sistem Tenaga, Institut Teknologi Sepuluh Nopember Surabaya melalui jalur penerimaan SPMB. Selama kuliah, penulis aktif dalam kegiatan organisasi di kampus dan sebagai asisten Laboratorium Instrumentasi Pengukuran dan Identifikasi Sistem Tenaga (LIPIST-B.204).

Gambar 3 Profil Tegangan Bus Sebelum dan Sesudah Optimisasi Pengaturan Tegangan dan Daya Reaktif

5. KESIMPULAN Dari hasil simulasi penerapan QPSO untuk optimisasi pengaturan tegangan dan daya reaktif pada sistem interkoneksi Jawa-Bali 500 kV dapat ditarik beberapa kesimpulan sebagai berikut: 1. Penerapan metode QPSO berhasil mengurangi rugi daya aktif saluran transmisi sistem hingga 12.14 %. Hasil ini lebih baik jika dibandingkan dengan penggunaan metode PSO yang hanya dapat mengurangi sebesar 10.78 %. 2. Penerapan metode QPSO juga dapat memperbaiki atau meningkatkan profil tegangan sistem dengan lebih baik dibandingkan metode PSO. 3. Walaupun PSO lebih cepat konvergen namun hasil yang dicapai merupakan local optima apabila dibandingkan dengan kemampuan QPSO untuk jumlah iterasi yang sama, hasil yang diperoleh lebih baik dan merupakan global optima. DAFTAR PUSTAKA [1] L. Grant, G. K. Venayagamoorthy, G. Krost, G. A. Bakare, “Swarm Intelligence and Evolutionary Approaches for Reactive Power and Voltage Control”, IEEE Swarm Intelligence Symposium, 2008 [2] Hadi Saadat, “Power System Analysis”, Mc.Graw Hill, Singapore, 2004 6