EVALUASI OPERASI SISTEM TENAGA LISTRIK 500 KVJAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

Ronny Chandrabuana 2206 100 157

Dosen PembimbingProf. Dr. Ir. Adi Soeprijanto, MTIr. Teguh Yuwono

Bidang Studi Teknik Sistem TenagaJurusan Teknik Elektro

Fakultas Teknologi IndustriInstitut Teknologi Sepuluh Nopember Surabaya

PENDAHULUAN...................... Latar Belakang

Tujuan

Permasalahan

BatasanMasalah

Relevansi

Latar BelakangPembangkit Listrik di Indonesia mayoritas adalah pembangkit listrik thermal. 

Pembangkit thermal membutuhkan bahan bakar fosil. 

Jumlah ketersediaan bahan bakar fosil semakin menipis dan semakin mahal.

Biaya produksi listrik semakin meningkat.

Salah satu solusi bagi produsen listrik untuk mengurangi kenaikan harga listrik adalah dengan melakukan optimisasi biaya pembangkitan pada proses produksi energi listrik (economic dispatch). 

Tujuan

Membandingkan penggunaanmetode Particle Swarm Optimization denganmetode Lagrange pada kasuseconomic dispatch.

Memperoleh biaya pembangkitan yang optimum padasuatu kondisi pembebanan tertentu pada sistem tenaga listrik 500 kV jawa bali.

Permasalahan

Apakah metode Particle Swarm Optimization mampumenghasilkan biaya pembangkitan yang lebih optimaljika dibandingkan denganmetode Lagrange?

Bagaimanamengaplikasikan Particle SwarmOptimizationke dalam permasalahan dalam sistem tenaga listrikterutama economic dispatch?

Batasan Masalah (1)

Masukan yang digunakan adalah data bus dan data saluranpada sistem tenaga listrik 500 kV Jawa Bali yang terdiri dari23 bus, 28 saluran, dan 8 unit pembangkitMasukan data pembebanan untuk sistem adalah data pembebanan pada tanggal 17 Maret 2009 (pukul 13.30 WIB dan pukul 19.30 WIB)Persamaan karakteristik pembangkit menggunakan referensi dari Tugas Akhir sebelumnya

Batasan Masalah (2)

Rugi‐rugi transmisi tidak diperhitungkanSistem dalam keadaan stabilPerhitunganmengenai Unit Commitment tidak disertakanSimulasi dilakukanmenggunakansoftwareMATLAB 

Relevansi

Menjadi referensi bagi perusahaan listrik dalam mengoperasikan pembangkit agar lebih ekonomis dan efisien

Menjadi referensi untuk penelitian berikutnya, mengenaioptimisasi biaya pembangkitan sistem tenaga listrik

TEORI PENUNJANG.......................

Batasan daya yang harus dipenuhi

Metode Lagrange

Optimisasi biaya pembangkitan menggunakan Particle Swarm Optimization

Batasan‐batasan daya

Equality Constraint

Nilai minimum danmaksimum

daya pembangkit (Inequality Constraint)

Metode LagrangeRugi Transmisi Diabaikan (1)

Rugi Transmisi Diabaikan (2)

Biaya bahan bakar F:

Beban sistem:

Syarat optimum:

Metode Lagrange

Grafik pergerakan dari partikel

PARTICLE SWARM OPTIMIZATION

FLOWCHART PARTICLE SWARM OPTIMIZATION

Kelebihan utama algoritma PSO iniadalah :

Konsepnya sederhana.Mudah diimplementasikan.Tidak banyak parameter yang dibutuhkan.Efisien, relatif lebih cepat konvergen.

Inisialisasi Parameter

Parameter-parameter yang digunakan untukmengimplementasikan PSO :

Koefisien Akselerasi,

c1 dan c2 = 2.05Jumlah Swarm = 50

Inisialisasi Posisi Individu (1)

Proses inisialisasi individu :Membangkitkan populasi secara randomPosisi individu direpresentasikansebagai vektor

Memenuhi equality constraint= total beban

Memenuhi inequality constraint, individu yang dibangkitkan dalam batasan Pij,min dan Pij,max .

Inisialisasi Posisi Individu (2)

Posisi individu diset pada titik operasimin/max menggunakan persamaan :

Evaluasi Fungsi ObyektifSetelah proses inisialisasi pada individu dilakukanmaka fungsi obyektif setiap individu akan dievaluasiuntuk mendapatkan total biaya bahan bakar yang digunakan.Persamaan fungsi obyektif :

dengan :FT = total biaya bahan bakar (Rp).Fi(Pi) = fungsi biaya input-output dari generator i (Rp/jam).ai, bi, ci = koefisien biaya dari generator i.Pi = output generator i (MW)n = jumlah unit generator.i = indeks dari dispatchable unit

Update VelocityDalam algoritma PSO, Update velocity diperlukanuntuk memodifikasi posisi dari setiap individuPersamaan velocity adalah sebagai berikut:

Update PosisiUpdate posisi individu dalam algoritma PSO diperlukan untuk memperoleh posisi individu yang baru. Persamaan yang digunakan untuk mengupdateposisi individu adalah :

Posisi individu yang baru tidak menjamin dapatmemenuhi constraint yang ada sehingga perlu disetkembali dengan menggunakan persamaan :

PEMODELAN SISTEM.....................

SistemTenaga Listrik 500 kV Jawa BaliFlowchart Metode LagrangeFlowchart Metode Particle Swarm Optimization

SistemTenaga Listrik500 kV Jawa Bali

Flowchart Metode Lagrange

FLOWCHART PARTICLE SWARM OPTIMIZATION

SIMULASI DAN ANALISIS.......

Untukmengevaluasi kinerja dari Particle Swarm Optimization, maka simulasi dilakukan pada empat (4) system, yaitu sebagaiberikut:

Sistem IEEE 5 busSistem 26 bus, 

dari buku “Power System Analysis” karangan Hadi SaadatSistem IEEE 30 busSistem tenaga listrik 500 kV Jawa Bali

Sistem tenaga listrik IEEE 5 bus, sistem 26 bus dan sistem IEEE 30 bus digunakan sebagai sistem penguji untukmetode Particle Swarm Optimization. 

Pengujian Sistem Standar IEEE 5 Bus

Persamaan Karakteristik PembangkitSistem IEEE 5 Bus

Batasan Daya PembangkitSistem IEEE 5 Bus

Hasil Simulasi (10 kali percobaan) Particle Swarm OptimizationSistem IEEE 5‐Bus (150 MW) 

Lagrange

PSO

vs

Grafik Kurva KonvergensiSistem 5 bus

PengujianSistem26 Bus

Persamaan Karakteristik PembangkitSistem 26 Bus

C1 =  0,0070 P12 + 7 P1 + 240

C2 =  0,0095 P22 + 10 P1 + 200

C3  =  0,0090 P32  + 8,5 P3 + 220

C4  =  0,0090 P42 + 11 P4 +200

C5 =  0,0080 P52   + 10,5 P5 + 220 

C26 =  0,0075 P262  + 12 P26 + 190

Batasan Daya PembangkitSistem 26 Bus

Pembangkit 1   :  100  ≤  P1 ≤  500     (MW) 

Pembangkit 2   :   50  ≤   P2   ≤  200     (MW) 

Pembangkit 3   :   80  ≤   P3 ≤  300     (MW)

Pembangkit 4   :   50  ≤   P4 ≤  150     (MW)

Pembangkit 5   :   50  ≤   P5    ≤  200     (MW)

Pembangkit 26 :   50  ≤   P26 ≤  120     (MW)

Hasil Simulasi (10 kali percobaan) Particle Swarm OptimizationSistem 26‐Bus (1263 MW)

vs

Lagrange

PSO

Grafik Kurva KonvergensiSistem 26 bus

PengujianSistemStandarIEEE 30 Bus

Persamaan Karakteristik PembangkitSistem IEEE 30 Bus

Batasan Daya PembangkitSistem IEEE 30 Bus

Hasil Simulasi (10 kali percobaan) Particle Swarm OptimizationSistem IEEE 30 Bus (189,2 MW) 

PSO

Lagrange

vs

Grafik Kurva KonvergensiSistem 30 bus 

SistemTenaga Listrik500 kV Jawa Bali

Data Saluran Sistem Tenaga Listrik500 kV Jawa Bali

Persamaan karakteristik pembangkit Sistem Jawa Bali

Suralaya : C1  = – 65,94 P12  + 395668,05 P1 + 31630,21

Muaratawar : C8  =  690,98 P82  + 2478064,47 P8 + 107892572,17

Cirata : C10 =  6000 P10

Saguling : C11 =  5502 P11

Tanjung Jati : C15 =  – 21,88 P152  + 197191,76 P15 – 1636484,18

Gresik : C17 =  132,15 P172  +  777148,77 P17 + 13608770,96

Paiton : C22 =  52,19 P222  + 37370,67 P22 + 8220765,38

Grati : C23 = 533,92 P232  + 2004960,63 P23 + 86557397,40

Batasan Daya PembangkitSistem Jawa Bali

Suralaya :  1500  ≤   P1 ≤  3400     (MW) 

Muaratawar :  1040  ≤   P8    ≤  2200     (MW) 

Cirata :   400  ≤   P10 ≤  1008     (MW)

Saguling :    400  ≤   P11 ≤    700     (MW)

Tanjung Jati :    600  ≤   P15   ≤  1220     (MW)

Gresik :    238  ≤   P17 ≤  1050     (MW)

Paiton :  1425  ≤   P22 ≤  3254     (MW)

Grati :   150  ≤   P23 ≤    827     (MW)

Beban Puncak 17 Maret 2009

Beban puncak siang hari

pukul 13.30WIB

dengan pembebanan sebesar 9.836 MW.

Beban puncakmalam hari

pukul 19.30WIB

dengan pembebanan sebesar 10.282 MW.

PembebananMalam hari

Hasil Simulasi (10 kali percobaan) PSOSistem Tenga Listrik 500 kV Jawa Bali 

siang hari (9935 MW) 

Real System

Lagrange

vs

Grafik Kurva KonvergensiSistem 500 kV Jawa Bali (siang hari)

Analisis Hasil simulasiSistem Jawa Bali (siang hari) 

Metode Particle Swarm Optimizationmenghasilkan biayapembangkitan total sebesar Rp 4.919.994.791,6763/jam,  sedangkanpada real system biaya pembangkitan totalnya adalah Rp6.055.757.424,927/jam. Dari hasil simulasi tersebut dapatdisimpulkan bahwa PSOmampumereduksi biaya pembangkitansistem sebesar Rp 1.135.762.633,2507/jam atau 18,75% pada bebanpuncak siang hari.

Pembangkit Suralaya yang bertindak sebagai slack bus pada sistemini membangkitkan daya paling besar yaitu sebesar 3400 MW

Sedangkan biaya pembangkitan termahal dihasilkan olehpembangkit Muaratawar yaitu sebesar Rp 3.432.445.563,6904/jam.

PembebananMalam hari

Hasil Simulasi (10 kali percobaan) PSO Sistem Tenaga Listrik 500 kV Jawa Bali 

malam hari (10400 MW) 

Real System

PSO

vs

Grafik Kurva KonvergensiSistem 500 kV Jawa Bali (malam hari)

Analisis Hasil simulasiSistem Jawa Bali (malam hari) 

Metode Particle Swarm Optimization  menghasilkan biayapembangkitan sebesar Rp 5.321.281.711,6395 /jam, sedangkan padareal system adalah sebesar Rp 7.745.058.941,729 /jam. 

Dari hasil simulasi tersebut dapat disimpulkan bahwa Particle Swarm Optimization  mampumereduksi biaya pembangkitan sistemJawa Bali sebesar Rp 2.423.777.230,02 /jam atau 31,29 % pada bebanpuncakmalam hari.

Pembangkit Suralaya yang bertindak sebagai slack bus pada sistemini membangkitkan daya paling besar yaitu sebesar 3399,99 MW

Biaya pembangkitan termahal dihasilkan oleh pembangkitMuaratawar yaitu sebesar Rp 3.432.443.683,7832/jam. 

PENUTUP...................

KesimpulanSaran

Kesimpulan

Dari hasil pengujian menunjukkan bahwametode Particle Swarm Optimization dapat menghasilkan biaya pembangkitan yang sama dengan metode Lagrange.

Metode Particle Swarm Optimizationmampumereduksi biayapembangkitan sistem tenaga listrik Jawa Bali sebesar Rp1.135.762.633,2507/jam atau 18,75% pada beban puncak siang hari.

Metode Particle Swarm Optimization  mampumereduksi biayapembangkitan sistem Jawa Bali sebesar Rp 2.423.777.230,02/jam atau 31,29% pada beban puncakmalam hari.

SaranOptimisasi biaya pembangkitan menggunakan  PSO, dalam tugasakhir ini masih mengabaikan rugi‐rugi transmisi, sehingga masalahini dapat digunakan sebagai pertimbangan untuk penelitianselanjutnya.

Metode Particle Swarm Optimization yang digunakan dalam tugasakhir ini masih menggunakanmetode PSO standar, sehingga untukpenelitian selanjutnya metode Particle Swarm Optimization dapatdikembangkan gunamemaksimalkan proses dalammenyelesaikanmasalah optimisasi biaya pembangkitan.

REFERENSILeon K.K., Economic Operation of Power Systems, John Wiley & Sons Inc., New Delhi, 1985.

Andi Syarifudin,  Adi Soeprijanto, Ontoseno Penangsang, “Economic Dispatch on Thermal Power Plant at South Sulawesi Powr System using Improved Particle Swarm Optimization (Economic Dispatch Pada Pembangkit Thermal Sistem Sulawesi Selatan menggunakan Improved Particle Swarm Optimization),” Proceeding of seminar Nasional Pasca Sarjana VIII – ITS Vol. 1 (2008).

Hadi, S., Power System Analysis, McGraw‐Hill Book Co., Singapore, 1999.

Buyung Baskoro, Adi Soeprijanto, Ontoseno Penangsang,  “Analisis Aliran Daya Optimal menggunakan Algoritma Genetika pada sistem Interkoneksi 500 kV Jawa Bali”, (2009)

Allen, J.W. dan Bruce, F.W., Power Generation, Operation, and Control, John Wiley & Sons Inc., Canada, 1996.

Terima Kasih..........