Deteksi Gangguan pada Saluran Transmisi Menggunakan Wavelet dan Discriminant Analysis

PENDAHULUANSistem tenaga listrik seperti yang telah dijelaskan pada [1].Dalam menentukan gangguan pada saluran transmisi telah menjadi salah satu perhatian utama dalam ketenaga listrikan. Karena saluran transmisi merupakan salah satu bagian penghubung antara pusat-pusat tenaga listrik dengan sistem distribusi yang memiliki peran yang sangat vital dalam sistem tenaga. Akan tetapi, saluran transmisi juga merupakan bagian sistem tenaga yang seringkali mengalami gangguan yaitu gangguan hubung singkat pada khususnya [2].

RUMUSAN MASALAHApa metode yang dapat digunakan dalam penentuan gangguan tersebut?Bagaimana mengenali pola jenis gangguan pada saluran transmisi ?

Tujuan umum dan khusus• Tujuan UmumPenentukan gangguan pada saluran transmisi untuk

mempercepat proses perbaikan,dan Kondisi tersebut dapat mengakibatkan kerugian yang tak terdeteksi. • Tujuan khususMenyajikan suatu metode pendekatan berdasarkan pada

Transformasi wavelet dari sinyal gangguan transien tersebut yang akan dikombinasikan dengan Discriminant Analysis.

Manfaat penelitian Dengan Penetuan gangguan pada saluran transmisi proses perbaikan. dapat lebih cepat

Dengan Transformasi wavelet digunakan untuk mengolah sinyal gangguan (transient) yang akan menghasilkan variabel input yang mempunyai korelasi dengan jenis gangguan.

Kerangka teoritik• Transfomasi Wavelet

Dalam [4], dijelaskan Transformasi wavelet dibagi menjadi dua jenis, yaitu transformasi wavelet kontinyu dan transformasi wavelet diskrit. Dengan memberikan fungsi suatu gelombang f(t),transformasi wavelet kontinyu (continuous wavelet transform/CWT) menghasilkan terlalu banyak koefisien transformasi wavelet(wavelet transform Coefesien/WTC). Hal ini menyebabkan data yang dihasilkan menjadi berlebihan (redudansi)[5]. Dan masalah redudansi data ini dapat diselesaikan dengan pemakaian transformasi waveletdiskrit (Discrete Wavelet Transform/DWT). Pada DWT, hanya beberapa sampel WTC saja yang diambil. Artinya, DWT mengurangi kelebihan WTC dari CWT. Implementasi DWT disusun berdasarkan algoritma dekomposisi Mallat. Sinyal gelombang input dipisahkan (didekomposisikan) menjadi dua sinyal. Yaitu, bagian frekuensi rendah (low frequency) yang disebut Aproksimasi dan bagian frekuensi tinggi (high frequency) yang dinamakan Detail. Dalam penggunaan suatu induk wavelet, DWT melakukan analisis detail melalui bagian frekuensi tinggi dari induk wavelet tersebut.

B. Discriminant Analysis

Analisis diskriminan (discriminant analysis) merupakan salah satu metode yang digunakan dalam analisis multivariat. Analisis diskriminan termasuk ke dalam analisis multivariat metode dependensi karena alam analisis diskriminan terdapat dua jenis variabel yaitu variabel bebas dan variabel terikat.Variabel bebas berupa data metrik (interval dan rasio) sedangkan variabel terikatnya berupa data nonmetrik (nominal dan ordinal). Fungsi analisis diskriminan adalah memisahkan objek-objek dalam kelompok yang berbeda dan mengelompokkan objek baru ke dalam suatu kelompok. Analisis diskriminan dapat digunakan jika variabel terikatnya terdiri dari dua kelompok atau lebih. Apabila variabel terikatnya lebih dari dua kelompok, maka metode yang digunakan adalah analisis diskriminan multipel (multiple discriminant analysis).

PEMODELANPada penelitian ini dimodelkan transmisi tenaga listrik dengan tegangan 500 kV dengan panjang saluran 250 km. Parameter yang dipakai adalah sistem saluran transmisi 500 kV Jawa-Madura- Bali (Jamali). Saluran yang dipilih adalahsaluran yang menghubungkan Bus Surabaya Barat dan Bus Ungaran. Saluran ini menghubungkan dua blok pembangkit dan beban yang ada di sistem Jamali.

Pemodelan menggunakan Simulink 7.7 seperti pada Gambar 2.

Data yang dipakai dalam simulasi adalah data tegangan dan sudut dari Surabaya Barat dan Ungaran. Selain itu juga diperlukan besar arus hubung singkat yang mungkin terjadi. Untuk mengetahuinya, maka perlu dihitung besar MVA hubung singkat dan X/R ratiodari kedua bus. Secara singkat parameter saluran terdapat pada Tabel 1 dan Tabel 2.

KESIMPULAN Berdasarkan hasil yang diperoleh dari simulasi dan analisis yang telah dilakukan, didapatkan bahwa metode melalui penentuan koefesien dengan wavelet dan Discriminant Analysisdapat mendeteksi gangguan hubung singkat gangguan satu fasa ke tanah, 2 fasa ke tanah, gangguan antar fasa dan gangguan 3 fasa.Jenis filter wavelet yang memiliki nilai akurasi paling tinggi adalah Discrete Meyerpada level kelima dengan nilai akurasi 97,96% pada data tes menggunakan QDA sedangkan jika menggunakan LDA tingkat akurasi paling tinggi adalah dengan menggunakan wavelet Haar pada level kelima namun hanya menunjukan nilai akurasi 73,86%. Sehingga dapat disimpulkan kombinasi wavelet menggunkan QDA memiliki nilai akurasi yang lebih tinggi dari LDA, hal tersebut dapat dibuktikan dari nilai akurasi QDA yang terburuk adalah 73,75% dengan filter wavelet Db4 pada level ketiga, hanya selisih 0,11% dari LDA dengan filter yang terbaik.Ketika besar resistansi mengakibatkan arus gangguan sama dengan arus nominal. Filter wavelet masih dapat mendeteksi selama ada perbedaan nilai transien yang sesaat sebelum terkena gangguan dan setelah terkena gangguan.Sehingga metode ini dapat digunakan untuk membantu kinerja rele differential.

DAFTAR PUSTAKA

[6] Asfani, D.A.; Syafaruddin, S.; Purnomo, M.H.; Hiyama, T. "WaveletLDA-neural network based short circuit occurrence detection in induction motor winding" Diagnostics for Electric Machines, Power Electronics & Drives (SDEMPED), 2011 IEEE International Symposium on. Pp. 330 - 336, Sept. 2011 [7] M. Jaya Bharata Reddy and D. K. Mohanta, A Wavelet-Fuzzy Combined Approach For Classification And Location Of Transmission Line Faults, International Journal of Electrical Power and Energy Systems (Elsevier Publication), Volume 29, Issue 9, Nov 2007, 669-678. [8] Chanda D, Kishore NK, Sinha AK. Application of wavelet multiresolution analysis for classification of faults on transmission lines. In: IEEE conference on convergent technologies for Asia-Pacific region, vol. 4. 2003. p. 1464–9. [9] M. Jaya Bharata Reddy and D. K. Mohanta, A Wavelet-Fuzzy Combined Approach For Classification And Location Of Transmission Line Faults, International Journal of Electrical Power and Energy Systems (Elsevier Publication), Volume 29, Issue 9, Nov 2007, 669-678.

SEKIAN

DAN

TERIMAKASIH

Title and Content Layout with Chart

Two Content Layout with Table• First bullet point here• Second bullet point here• Third bullet point here

Class Group 1 Group 2

Class 1 82 95

Class 2 76 88

Class 3 84 90

Title and Content Layout with SmartArt

Add a Slide Title - 1

Add a Slide Title - 2

Add a Slide Title - 3

Add a Slide Title - 4

Add a Slide Title - 5