EVALUASI OPERASI SISTEM TENAGA LISTRIK 500 KVJAWA … · MATLAB. Relevansi ¾ Menjadi referensi ...
-
Upload
truongnguyet -
Category
Documents
-
view
252 -
download
5
Transcript of EVALUASI OPERASI SISTEM TENAGA LISTRIK 500 KVJAWA … · MATLAB. Relevansi ¾ Menjadi referensi ...
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..........