Tegangan dan Simulasi Kontrol Daya Reaktif Menggunakan Neural Networks

Jalal M. Abdallah1 dan Abdullah R. Al-Zyoud21Universitas Teknik Tafilah / Jurusan Teknik ElektroPO Box: 851229 kode 11185 / Amman - Jordane-mail: jalal_abdallah@hotmail.com2Universitas Terapan Al Balqa / Rekayasa Teknologi CollegeJurusan Elektroe-mail: alzyoud_a@yahoo.com

Abstrak: Makalah ini menyajikan formulasi simultan untuk masalah kontrol daya reaktif yang optimal menggunakan Artificial Neural Network (ANN). Tujuannya adalah untuk meminimalkan kerugian daya aktif dan meningkatkan profil tegangan yang diberikan sistem. Tegangan dan daya reaktif dikendalikan oleh pemanfaatan rasio transformasi transformator daya dan daya reaktif yang disuntikkan untuk mengoptimalkan kinerja sistem berdasarkan umpan maju ANN dengan algoritma pelatihan Back Propagasi yang digunakan dan data pelatihan diperoleh dengan penentuan rasio transformasi optimal dan disuntikkan daya reaktif yang dilakukan untuk perbedaan yang nyata mode operasi dari Sistem Tenaga Listrik Yordania oleh ANN dan dibandingkan dengan model regresi lainnya. Kerugian daya aktif dinyatakan dalam kenaikan tegangan dengan berkaitan variabel kontrol, yaitu, posisi tap transformator dan suntikan daya reaktif dari sumber VAR. Back propagasi model jaringan saraf tiruan telah dilakukan dan diuji untuk memprediksi minimalisasi rugi daya aktif dan kontrol tegangan.

Kata kunci: ANN, optimisasi, rasio transformasi, kerugian daya aktif, daya reaktif.

I. PENDAHULUAN

Dalam sistem tenaga listrik, kerugian daya aktif dan profil tegangan adalah dua indeks yang banyak digunakan pada kinerja sistem tenaga yang dapat dievaluasi. Saat ini, kebutuhan untuk mengotomatisasi tugas kompleks operasi sistem tenaga dan kontrol telah dicapai dengan akurasi dan kecepatan yang maksimal [Swarup. 2005]. Kebutuhan untuk lebih cepat dan otomotif, yang dapat digunakan secara online dan dalam aplikasi real time dinaikkan. Jaringan saraf tiruan (JST) merupakan pilihan yang ideal, yang memberikan kemampuan untuk menutupi non-linear dan yang cepat waktu responnya. Jaringan saraf dianggap area yang paling menjanjikan dalam kecerdasan buatan karena didasarkan pada pengalaman manusia dan link dari sejumlah input dan output, pembelajaran atau konsep pelatihan dan pengenalan pola fungsi. Jaringan saraf mengadopsi berbagai pembelajaran mekanisme dan self-organisasi. Mereka telah berhasil diterapkan untuk masalah di bidang pola pengenalan, pengolahan gambar, kompresi data, peramalan, dan optimisasi [Swarup. 2005, Al- Thaimer dan Abdallah 2003]. JST dapat dilatih untuk menghasilkan parameter kontrol untuk meminimalkan kerugian daya aktif dan menentukan daya reaktif untuk disuntikkan dalam sistem. Jaringan saraf memungkinkan tidak hanya memecahkan masalah massa multi kompleks dalam sistem listrik, tapi juga untuk beradaptasi dengan variasi kontinyu dari kondisi di aslinya. Ada banyak tipe jaringan saraf yang berbeda yang dapat secara luas digunakan dalam diterapkannya kasus yang berbeda [Freeman dan Skapura. 1991, Tarafdar dan Kashtiban. 2005]. Di sisi lain sistem tenaga yang sesungguhnya memiliki ribuan variabel pada tingkatan sistem. Jika semua variabel yang diukur digunakan sebagai masukan untuk jaringan saraf, hasilnya dalam ukuran besar dari jaringan dan waktu pelatihan yang lebih banyak. Untuk membuat pendekatan jaringan saraf yang berlaku untuk masalah sistem listrik skala besar, beberapa pengurangan dimensi diwajibkan [Al-Zyoud dan Abdallah. 2008].

Masalah meminimalkan kerugian daya listrik di jaringan listrik merupakan aspek utama dari penelitian sistem tenaga. Ada banyak metode pengendalian yang digunakan untuk meningkatkan kinerja sistem kelistrikan, dalam pelayanan untuk mendapatkan modus operasi optimal yang memenuhi kualitas tegangan dan keandalan sistem kelistrikan. Rugi daya dipengaruhi oleh sarana kontrol tegangan otomatis untuk transformer daya dan pengendalian daya reaktif yang disuntikkan. Pada changer beban tekan dan kapasitor shunt yang mana digunakan untuk meminimalkan kerugian daya dan menjaga profil tegangan dalam nilai-nilai yang diijinkan pada terminal konsumen. Sebagai beban konsumen dari sistem tenaga listrik adalah variabel dengan waktu, yang mendapatkan modus operasi optimal yang dapat direalisasikan dengan mengontrol cara pengaturan perangkat. Minimalisasi rugi daya adalah kriteria utama penelitian ini untuk menentukan operasi ekonomi sistem tenaga listrik. Perhitungan untuk menentukan rasio transformasi optimal dan daya reaktif optimal yang disuntikkan dilakukan untuk modus operasi nyata yang berbeda [pembebanan maksimal, normal, dan minimum] dari sistem tenaga listrik Yordania [NEPCO. 2009, Gonen 0,1988]. Modus operasi nilai pembebanan dan parameter sistem tenaga listrik Yordania dimasukkan ke Program Digsilent Daya Factory. DIGSILENT (GmbH, Jerman) adalah perangkat lunak konsultasi yang menyediakan layanan yang sangat khusus dalam bidang sistem tenaga listrik untuk pembangkit, transmisi serta distribusi dan pabrik-pabrik industri. Hasil dari setiap studi kasus diperkenalkan dalam tabel. Model matematika yang dipelajari untuk memperkirakan rugi daya menggunakan rasio transformasi (dan / atau) daya reaktif yang disuntikkan menggunakan MATLAB [Penny dan Lindfield.1995, MATLAB.2009]

II. OPTIMISASI KERUGIAN DAYA (MINIMALISASI)

Kerugian daya pada jaringan listrik serta aliran daya nyata dan reaktif untuk semua peralatan yang menghubungkan bus dapat dihitung dengan cara simulasi aliran beban. Kuantifikasi dan minimalisasi kerugian penting karena akan menentukan operasi ekonomi dari sistem tenaga [Lukman. 2003]. Jika kita tahu bagaimana kerugian keseluruhan yang terjadi, kita bisa mengambil langkah-langkah untuk meminimalkan mereka. Kerugian daya aktif dapat ditentukan dengan berbagai metode. Secara umum rugi daya dapat dihitung dengan persamaan [Narain et. al. 2000]:

dengan kendala berikut :

di mana M: matriks kejadian pertama, R: cabang resistensi, I: cabang arus, J: arus nodal Kerugian sistem daya merupakan fungsi tujuan yang dilinierisasi sekitar titik operasi arus dengan tegangan bus. Hubungan antara kenaikan tegangan, posisi tap trafo dan sumber VAR (pembangkit output daya reaktif dan kapasitor penyaklaran) berasal, dan berkorelasi di antara mereka diberikan oleh matriks Jacobian yang dimodifikasi [Al-Thaimer 2001, Abdallah dan Al-Thaimer 2003].

Fungsi obyektif dalam hal ini diwakili oleh:

Kerugian daya nyata adalah sebagian besar fungsi non-linear dari tegangan bus dan sudut fase yang secara implisit sebuah fungsi dari variabel kontrol. Variasi dari variabel terbatas pada rentang kecil dengan memperkenalkan ukuran langkah terbatas untuk besarnya tegangan dan perubahan pengaturan tekan. Dengan demikian, fungsi tujuan linierisasi akan meminimalkan:

Masalah minimalisasi (sistem tenaga) mengalami kendala operasi yang merupakan kendala ketimpangan (yaitu, batasan pada variabel), dan kendala kesetaraan (yaitu, permintaan daya reaktif):

Ada kendala m + n + l. Kendala m yang pertama adalah sumber daya reaktif dan terminal transformator pengubah tekanan. Kami akan mengacu pada matriks suntikan daya reaktif pada bus ini sebagai Q1. Kendala n berikutnya adalah kendala tegangan bus. Kendala terakhir adalah kesetaraan untuk beban dan bus persilangan yang tidak terhubung ke terminal transformator.Hubungan dapat diperkirakan antara kerugian dan rasio transformasi P. = f (K.) metode analisis numerik yang berbeda digunakan untuk menentukan akhir rumus [Abdallah dan Al-Thaimer 2003, Abdallah dan Al-Thaimer. 2001]:

Dimana :

a, b, , adalah konstanta yang mencerminkan pengaruh rasio transformasi pada modus operasi.

Persamaan (5) dianggap sebagai model regresi yang memiliki jumlah yang ditentukan kesalahannya dalam setiap kasus. Dan model ini tidak memiliki spesialisasi adaptif untuk setiap jenis divergensi atau gangguan normal (kecil). Hal itu diperkirakan hubungan yang pas, tapi tidak untuk semua proses kontrol online yang ditandai dengan variasi yang berkelanjutan dan gangguan kecil dan riak. Model adaptif adalah solusi dalam masalah kontrol. Daya yang hilang dalam garis juga dapat dihitung dengan mengambil jumlah aljabar dari total daya yang mengalir baik arah dan kerugian total akan menjadi jumlah semua kerugian garis [Weedy, 1998]. Dua metode untuk mengurangi kerugian pada jaringan sistem akan dibahas dalam tulisan ini. Mereka termasuk : perubahan pengaturan tap trafo dan penambahan nilai kapasitor bank yang berbeda untuk mengontrol distribusi daya reaktif. Tujuan utama dari makalah ini adalah untuk menciptakan dan menyelidiki tegangan optimasi real time dan kontrol daya reaktif untuk mencapai meminimalkan dari kerugian daya listrik dalam jaringan listrik dengan menggunakan jaringan syaraf tiruan. Jaringan syaraf tiruan berhasil meminimalkan kebisingan dan kesalahan yang muncul dengan menggunakan metode linierisasi lain.

III. KONTROL DAYA REAKTIF OLEH PERUBAHAN TAP DAN KAPASITOR

Changer Tap dan kapasitor bank dapat mengontrol aliran daya reaktif sehingga tegangan optimal bus dapat ditentukan dan mengurangi kerugian. Sebuah metode mengendalikan tegangan dalam jaringan membuat penggunaan transformer, rasio belitan yang dapat diubah. Pemilihan pemilih tap; kontak listriknya yang dirancang untuk membawa tingkat arus transformator tetapi tidak untuk membuat atau menghancurkan arus ini. Namun, saklar pengalir perlu dirancang untuk membawa, membuat dan memutuskan arus beban dalam sirkuit sebelumnya yang dipilih oleh pemilih tap. Selama pengoperasian diverter saklar resistor transisi jembatan 13 dan 14 tap digunakan dan tap berikutnya akan digunakan, sehingga membatasi beredarnya arus ini karena tegangan antar-tap. Misalnya, mengubah dari tap 5 sampai tap 6, sebagai kontak bergerak melintasi 19 dari kiri ke kanan, lengkung terjadi pada semua kontak tetap 15, 16, 17 dan 18 selama pembuatan arus dan proses pemecahan [Cooke dan Williams. 1992]. Diagram skematik dari pengubah tap ditampilkan dalam Gambar 1. Pengubah tap off-load membutuhkan pemutusan transformator ketika pengaturan tap harus diubah. Banyak transformer sekarang memiliki pengubah tap on-load. Kapasitor yang digunakan dalam saluran transmisi dan distribusi untuk meningkatkan saluran kemampuan beban (pengiriman daya maksimum) dan untuk menyesuaikan sistem tegangan [Gonen 0,1988]. Kapasitor shunt digunakan untuk memberikan daya reaktif dan meningkatkan besaran tegangan selama kondisi beban penuh. Gambar 3 menunjukkan pengaruh penambahan kapasitor bank shunt ke bus sistem tenaga listrik. Sistem ini diwakili oleh persamaan Thevenin pada simpul, di mana kapasitor akan diterapkan oleh penutupan saklar. Dengan saklar terbuka, simpul tegangan Vt sama dengan tegangan Thevenin - Eth-

Gambar 1. Diagram Skematik Pengubah Tap

Dari sudut pandang aliran listrik, penambahan kapasitor bank shunt ke beban bus sesuai dengan penambahan dari beban reaktif negatif. Program aliran daya menghitung kenaikan tegangan bus bersamaan dengan perubahan kecil dalam sudut fase. Penambahan kapasitor bank perubahan matriks admitansi bus mirip dengan perubahan pengaturan tap transformator. Namun, hal itu hanya mempengaruhi unsur diagonal matriks admitansi dari bus di mana kapasitor ditambahkan [Abdallah dan Jalal. 2008]. Perhatikan bahwa dalam makalah ini transformer diselidiki yang 400/132kV dengan auto-tap-changer.

IV. JARINGAN SARAF TIRUAN BACK PROPAGASI

Penerapan back propagasi (BP) JST di operasi sistem tenaga listrik dan strategi kontrol yang berbeda telah menyebabkan hasil yang dapat diterima [Tarafdar dan Kashtiban. 2005]. Keuntungan penting dari jaringan saraf terletak pada fleksibilitas dengan data bising tinggi dan kelemahan utamanya adalah kebutuhan untuk waktu yang lama untuk, pelatihan jaringan umpan maju dengan algoritma pelatihan BP, terutama ketika dimensi jaringan daya tinggi.BP adalah generalisasi dari kaidah pembelajaran Least Mean Square (LMS) ke jaringan fungsi transfer yang terdiferensiasi multi-layer dan nonlinear. Vektor input dan vektor target yang sesuai digunakan untuk melatih jaringan sampai dapat mendekati fungsi, asosiasi masukan vektor dengan vektor output tertentu, atau mengklasifikasikan masukan vektor dengan cara yang tepat seperti yang didefinisikan [Cirstea, et. al.2002, Al-Taee, et. al. 2001].Bobot jaringan BP yang merupakan turunan gradien algoritma, seperti aturan pembelajaran LMS, dipindahkan bersama negatif dari gradien dari fungsi kinerja. Istilah BP mengacu pada situasi di mana gradien dihitung untuk jaringan multilayer nonlinear. Ada beberapa variasi pada dasar algoritma yang didasarkan pada teknik optimalisasi standar lainnya, seperti gradien konjugat dan metode Newton.Algoritma BP bertujuan untuk meminimalkan total kesalahan operasi dari jaringan saraf. Total kesalahan merupakan fungsi yang didefinisikan oleh persamaan (7) di mana Oi ref adalah vektor kolom dari output referensi dan Oi adalah vektor kolom dari output jaringan yang nyata sesuai dengan masukan pola nomor 'i'. Total error Err adalah jumlah kesalahan yang sesuai dengan semua pola input np.

Untuk setiap langkah pelatihan, vektor dari semua bobot neuron dan bobot threshold (W) diperbarui sedemikian rupa sehingga total Err kesalahan menurun. Vektor W dapat terkait ke titik di ruang dimensi NW (ruang parameter), di mana NW adalah jumlah total bobot dan ambang batas dalam jaringan saraf. Untuk masing-masing langkah pelatihan, vektor dari semua bobot neuron dan ambang batas. Jaringan yang tinggi dan terlatih untuk memberikan jawaban yang wajar ketika disajikan dengan input yang mereka miliki tidak pernah terlihat. Biasanya, input baru mengarah ke output yang mirip dengan output yang benar untuk vektor input yang digunakan dalam pelatihan yang mirip dengan masukan baru yang disajikan. Properti generalisasi ini membuat hal itu mungkin untuk melatih jaringan pada serangkaian wakil dari masukan pasang target dan mendapatkan hasil yang baik tanpa pelatihan jaringan pada semua kemungkinan pasangan input / output. Ada dua fitur Neural Network sering disebut Least Mean Square. Salah satu fitur yang paling penting dari jaringan saraf adalah kemampuan mereka untuk belajar (untuk dilatih) dan meningkatkan operasi mereka yang menggunakan satu set contoh bernama set data pelatihan [Varadarajan. 2008].

Proses pelatihan dikendalikan oleh algoritma matematika yang jatuh dalam dua kelas utama: konstruktif dan non-konstruktif. Pelatihan algoritma non-konstruktif yang beradaptasi hanya bobot koneksi dan ambang batas. Algoritma konstruktif memodifikasi semua fitur jaringan termasuk arsitektur (neuron dan bahkan lapisan ditambahkan atau dihilangkan seperlunya).

Gambar 2. Arsitektur Jaringan Saraf Umpan Maju

Back propagasi bukanlah algoritma yang konstruktif, yang arsitektur jaringannya harus dipilih terlebih dahulu. Sayangnya, tidak ada didefinisikan set aturan secara jelas untuk harus diikuti dalam rangka untuk memutuskan arsitektur mana yang paling yang sesuai untuk masalah tersebut. Memilih arsitektur adalah hasil dari sebuah proses pelatihan and kesalahan yang didukung oleh pengalaman sebelumnya. Semua algoritma memodifikasi bobot neuron dan ambang batas berdasarkan perhitungan yang menganalisis respon jaringan untuk input tertentu [Cirstea, et. al. 2002].

V. PENGUKURAN, PERHITUNGAN, DAN TEKNIK

Perhitungan dilakukan dengan menggunakan data riil yang diperoleh dari sistem tenaga listrik Yordania, Perusahaan Tenaga Listrik Jordan (JEPCO). Substansi Al Qatrana dan Amman utara dipelajari, untuk mengukur efek yang diharapkan penambahannya substansi ini untuk sistem tenaga listrik Yordania. Untuk menjelajahi hasilnya dalam hal ini makalah kami memperkenalkan hanya data dan perhitungan untuk substansi Amman Selatan (beban maksimum). Perhitungan kerugian daya untuk Sistem Tenaga Listrik Yordania 400-132-33 KV. Pengurangan kerugian daya menggunakan tegangan dan kontrol daya reaktif. Untuk mendapatkan hubungan antara kerugian daya aktif dan perubahan set otomatis (ratio transformasi), P f (KT) untuk pra-mengoptimalkan dan memprediksi efek dari operasi pengendalian dari sistem kelistrikan. Data pelatihan awal dari jaringan saraf yang dikumpulkan dari sistem tenaga dan diinisialisasi oleh alat ukur. Nilai-nilai bobot dan nilai bias output dibandingkan dengan nilai-nilai yang diinginkan total kesalahan dalam semua kasus adalah kurang dari pendekatan model. Rumus akhir dari kerugian daya aktif sebagai fungsi dari rasio transformasi dan disuntikkan daya reaktif diperkenalkan untuk setiap substansi. Efek dari daya reaktif disuntikkan dalam tabel 1, hasil pengukuran data aktual, model regresi, dan model JST diperkenalkan. Kerugian daya akibat daya reaktif disuntikkan diberikan oleh model regresi: Pkerugian = 0.0001 * Qdisuntikkan2 - 0,0245 * Qdisuntikkan + 30,9400. Qkerugian = 0,0801 * Qdisuntikkan2 - 0.66 * Qdisuntikkan - 112,7 Dan jelas, perbedaan antara model JST dan regresi yang dapat direalisasikan dan model JST yang sesuai dengan data aktual dari sistem.Tabel 1. Efek dari Daya Reaktif yang Disuntikkan

Daya Reaktif yang Disuntik (MVAR)Tegangan Terminal Tinggi (KV)Kerugian Daya Reaktif Asli (MW) Dta AsliKerugian Daya AKtif Asli (MW) Data AsliTegangan Terminal Rendah (KV)Kerugian Daya Aktif (MW) Model RegresiKerugian Daya Reaktif (MW) Model RegresiKerugian Daya Aktif (MW) ANNKerugian Daya Reaktif (MW) ANN

Daya reaktif yang disuntikkan optimum untuk beban operasi maksimum adalah: Qdisuntikkan = 80 (MVAR). Rugi daya minimum karena daya reaktif yang disuntikkan optimum adalah: Pkerugian = 29.94 (MW).

Gambar 3: Pengaruh daya reaktif yang disuntikkan pada rugi daya aktif (kiri), Pengaruh daya reaktif yang disuntikkan pada rugi daya reaktif (kanan) Pengaruh daya reaktif yang disuntikkan Kerugian daya aktif diilustrasikan pada Gambar 3 (kiri) dan efek dari daya reaktif disuntikkan pada rugi daya reaktif (kanan).

Tabel 2. Efek dari pengubah tap.

Rasio TransformasiTegangan Terminal Tinggi (KV)Tegangan Terminal Rendah (KV)Kerugian Daya AKtif Asli (MW) Data AsliKerugian Daya Reaktif Asli (MW) Dta AsliKerugian Daya Reaktif (MW) Model RegresiKerugian Daya Aktif (MW) Model RegresiKerugian Daya Aktif (MW) ANNKerugian Daya Reaktif (MW) ANNPerubah TapEfek dari kerugian daya akibat rasio transformasi dalam tabel 2, hasil pengukuran data aktual, model regresi, dan model JST diperkenalkan.Kerugian daya karena regulasi rasio transformasi (tap changer) oleh model regresi diberikan sebagai: Pkerugian = (- 0,8864 * KT3 + 1,1645 * KT2 - 0,4880 * KT + 0,0690) * 104. Qkerugian = (- 7,6989 * KT3 + 10,837 * KT2 - 4,7255 * KT + 0,6405) * 104. Dari hasil, rasio transformasi optimal untuk operasi beban maksimum adalah: KT = 0,3470.

Gambar 4 : Efek dari pengubah tap pada kerugian daya aktif dan Efek dari pengubah tap pada kerugian daya reaktifDan rugi daya minimum karena rasio transformasi ini adalah: P = 29.13 (MW). Juga, perbedaan antara model JST dan salah satu regresi dapat direalisasikan dan model JST sesuai dengan data aktual dari sistem. Pengurangan kerugian daya yang menggunakan tap otomatis mengubah transformator (rasio transformasi) dan kapasitor shunt (kontrol daya reaktif) ditunjukkan tabel 3. Untuk mendapatkan hubungan antara kerugian daya aktif menggunakan tap otomatis mengubah transformator (ratio transformasi) dan daya reaktif yang disuntikkan P f (KT, Qini), kurva MATLAB digunakan untuk hasil yang nyata.

Tabel 3. Perlawanan Efek dari Rasio Transformator dan Daya Reaktif yang Disuntikkan

Hasil efek duel rasio transformasi dan daya reaktif disuntikkan oleh model JST. Kerugian daya akibat rasio transformasi dan daya reaktif yang disuntikkan dinyatakan sebagai berikut: Rasio transformasi optimal dan daya reaktif optimal yang disuntikkan untuk operasi beban maksimum adalah: KT = 0.341 ; Qdisuntikkan = 80 (MVAR). Kerugian daya minimum akibat rasio transformasi optimal dan daya reaktif optimal yang disuntikkan adalah: Pkerugian = 26.88 (MW).

Gambar 5: Efek duel rasio transformasi dan daya reaktif disuntikkan pada kerugian daya aktif

VI. KESIMPULAN

Penyelidikan menunjukkan bahwa dengan cara real time tegangan optimasi dan pengendalian daya reaktif untuk mencapai meminimalkan kerugian tenaga listrik di jaringan listrik menggunakan jaringan syaraf tiruan. Jaringan syaraf tiruan berhasil meminimalkan noise dan kesalahan yang timbul dengan menggunakan metode regresi linierisasi. Pengaruh daya reaktif yang disuntikkan pada rugi daya aktif telah diteliti juga kerugian daya akibat rasio transformasi oleh ANN algoritma pelatihan back propagasi dan dibandingkan dengan model regresi. Selanjutnya efek duel dari rasio transformasi dan daya reaktif yang disuntikkan pada kerugian daya aktif telah dibuktikan.Menurut hasil optimal yang diperoleh, rekomendasi untuk meningkatkan kinerja sistem tenaga diperkenalkan. Batas-batas peraturan proses optimasi yang dipertimbangkan dan tidak untuk dilampaui.

REFERENSI

[1] Abdallah J and Al-Thaimer A R. 2003."Mathematical Model of The Load Flow Calculations Using Similarity Relations"International Journal of Applied Mathematics Sofia, Bulgaria, December, 2003, volume 14,number 2, pp.187-200.[2] Abdallah J M. and A, Al-Thaimer A R. 2001. TheSimilarity relations in The Load Flow Calculations Proceeding of the ESS2001conferense, Prague, 2001.[3] Al-Taee, M.A, Al-Azzawi, F. J, Al-Taee, A. A, andAl-Jumaily, T. Z. 2001. Real-time assessment of power system transient stability using rate ofchange of kinetic energy method, IEE Proc-Gen.Trans. Distrib., 2001 148(6), pp. 505-510.[4] Al-Thaimer A.R. and Abdallah J. 2003. The Economic -Environmental Neural Network Model for Electrical Power Dispatching Journal of Applied Sciences, Volume 4, No. 7-9 2003.[5] Al-Thaimer A R. 2001." Simulating The Effects of Power Transformers Tap Changers On Power Losses "Proceedings of MESM-2001 Conference Amman Jordan, 2001, pp. 46-49.[6] Al-Zyoud A R. and Abdallah J. 2008. Investigation of Power Losses in Jordanian Electrical Power System European Journal of Scientific Research Vol. 20 No 3 May 2008, pp. 612-622.[7] Cirstea M.N., Dinu A., Khor, J.G. McCormick M. Neural and Fuzzy Logic Control of Drives and Power Systems Newnes, an imprint of Elsevier Science 2002.[8] Cooke, G.H. Williams, K.T. 1992 New thyristor assisted diverter switch for on load transformer tap changers, Electric Power Applications, IEE Proceedings B, Volume: 139, Issue: 6, Nov 1992.[9] Freeman J. A. and Skapura D. M., 1991. Neural networks: Algorithm, Applications and Programming teaching techniques Addison- Wesley.[10] Fuerte-Esquivel C.and Acha E. 1997. A Newton type algorithm for the control of power flow in electrical power networks,IEEE Transactions on power systems, Volume: 12, No. 4, pp. 1474-1480, November, 1997.[11] Gonen T. 1988. Modern Power System Analysis, John Wiley and Sons, Inc., New York.[12] Lukman D and Blackburn T.R. 2003. "Modified Algorithm of Load Flow Simulation For Losses Minimization in Power Systems", IEEE/PES, Sydney, 2003.[13] Miller,T.J. E., ed. 1982. "Reactive Power Control in Electric Systems", John Wiley & Sons, New York,1982.[14] Narain G. Hingorani and Laszlo Gyugyi 2000. Understanding Facts, Concepts and Technology of Flexible AC Transmission Systems" IEEE New York , 2000.[15] NEPCO Reports 2009. Transmission and Distribution Systems, National Electrical Power Company (NEPCO) Jordanian Electrical Power System Parameters (2009).[16] Penny, J. and Lindfield, G. 1995. Numerical Methods Using MATLAB, Ellis Horwood Limited, Hertfordshire.[17] Swarup, K.S. and Subash, P.S. 2005. Neural network approach to voltage and reactive power control in power systems Intelligent Sensing and Information Processing, 2005. Proceedings of 2005 International Conference.[18] Tarafdar M. H, and. Kashtiban A.M., 2005. Application Of Neural Networks In Power Systems; A Review Proceedings Of World Academy Of Science, Engineering And Technology Volume 6 June 2005 pp.53-57.[19] The math works, 2009. Object Oriented Programming in MATLAB, 2009 The MathWorks, Inc http://www.mathworks.com.[20] Varadarajan, M. and Swarup K.S. 2008. Network loss minimization with voltage security using differential evolution Electric Power Systems Research Volume 78, Issue 5, pp.815-823, May 2008. Elsevier.[21] Weedy B.M. 1998." Electric Power Systems",Fourth Edition, John Wiley & Sons.

TENTANG PENULIS

Jalal Abdallah Lahir di Amman, Yordania. Dia menerima gelar M.Sc.1994 dan Ph.D.1998 di Teknik Elektro dari Universitas Teknik Vinnitsa Stat, Ukraina. Sejak tahun 1998 ia bersama Universitas Terapan Al Balqa. Dan tahun 2005 ia bergabung dengan Universitas Teknik Tafila di mana dia saat ini merupakan seorang Professor Assosiasi di Jurusan Teknik Elektro. Kepentingan penelitian utamanya adalah: sistem tenaga listrik pemodelan dan analisis, monitoring dan diagnostik Pembangkit listrik.

Abdallah R. Al-Zyoud - lahir di Zarqa, Yordania, pada 1956. Ia menerima gelar M.Sc. dalam teknik elektro dari Institut Politeknik Donetsk pada 1980 dan Ph.D. dari Institut Politeknik Kiev, Ukraina, pada tahun 1992. Sejak tahun 1985 ia bekerja di Institut Politeknik Amman di departemen listrik pada 1997. Setelah itu ia bergabung dengan Universitas Terapan Al-Balqa, Jordan, yang dia saat ini seorang profesor Assosiasi di departemen listrik. Minatnya dalam optimasi dan perlindungan jaringan listrik.