Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
Aplikasi Fuzzy Logic PSS padaStabilitas Transient Sistem Tenaga Listrik 1)
Arif Budi Laksono1, Zainal Abidin2
Dosen Fakultas Teknik Prodi Elektro Universitas Islam Lamongan 2) Dosen dpk pada Fakultas Teknik Prodi Elektro Universitas Islam Lamongan
Abstrak PSS pada unit pembangkitan merupakan peralatan efektif untuk meredam osilasi elektromekanikal dan peningkatan stabilitas transient pada sistem tenaga listrik. Pada PSS sebelumnya dengan beberapa parameter terpasang memiliki beberapa kerugian, misalnya rendahnya penguatan. Dengan berkembangnya teknologi, PSS dibangun dengan kontrol komputer termasuk di dalamnya menggunakan Fuzzy Logic Power System Stabilizer. Dalam makalah ini membahas aplikasi fuzzy logic pada PSS (Power System Stabilizer) untuk sistem tenaga listrik. Aplikasi ini berbasis artificial neural network (ANN) yang digunakan untuk memperkirakan estimasi gangguan. Dengan mengatur parameter Fuzzy Logic PSS yang diatur berdasarkan Algoritma Genetika (AG) Kata kunci : Fuzzy logic, Algoritma Genetika, Power System Stabilizer, Stabilitas Sistem Tenaga
PENDAHULUAN Seperti yang telah diketahui bahwa PSS pada unit pembangkitan merupakan peralatan efektif untuk meredam osilasi elektromekanikal dan peningkatan stabilitas transient pada sistem tenaga listrik. Pada PSS sebelumnya dengan beberapa parameter terpasang memiliki beberapa kerugian, misalnya rendahnya penguatan. Dengan berkembangnya teknologi, PSS dibangun dengan kontrol komputer termasuk di dalamnya menggunakan Fuzzy Logic Power System Stabilizer. [1]-[4]. Masalah-masalah desain Fuzy Logic PSS sudah banyak dibahas dalam beberapa publikasi [5]-[8]. Dalam makalah ini penulis menyajikan permasalahan berkenaan dengan masalahmasalah penyesuaian penalaan Fuzzy Logic PSS [9]-[10]. Tetapi masalah-masalah aplikasi Fuzzy pada sistem tenaga listrik masih dilakukan pengembangan dan penelitian lebih lanjut. Model sistem tenaga listrik yang digunakan adalah simulasi sistem tenaga listrik. Perbandingan penelitian kemudian dibandingan dengan PSS konvensional, FL PSS dengan penyetelan expert dan FL PSS dengan tuning AG. Kemudian pendekatan novel digambarkan untuk kluster estimasi gangguan dengan menggunakan organisasi Artificial Neural Network (ANN). DESKRIPSI Pendekatan Umum Struktur FL PSS digambarkan pada gambar 1.
Pengaturan secara umum menggunakaan sebuah skema dengan dua input (speed deviation dan akselerasi daya P), blok fuzzy / de fuzzy dan tabel keputusan. Prinsip-prinsip kerja dari tiap regulator telah digambarkan di banyak publikasi. Penggunaan Algoritma Genetika untuk membantu menyelesaikan masalah optimisasi fuzzy logic PSS. Algoritma Genetika memiliki tujuan menyelesaikan berbagai masalah yang kompleks yang memiliki algoritma probabilitas yang sangat berbeda dari algoritma acak yang mengkombinasikan elemen-elemen dari pelacakan secara stokastik dan terarah. Sifat lain dari metode pelacakan yang berbasis genetika adalah mereka memelihara populasi dari solusi yang potensial. Bandingan dengan metodemetode lain yang hanya memproses titik-titik tunggal dari ruang pelacakan [8]. Dalam permasalahan ini, algoritma genetik membantu algoritma dalam optimisasi fuzzy logic PSS. Langkah awalnya, ditentukan estimasi gangguan yang berat saat stabilitas transient yang diidentifikasikan dalam sebuah kelompok yang sama. Setelah itu menentukan analisis kluster, sementara dalam makalah ini digunakan organisasi jaringan cerdas. Setelah kita dapat mempelajari pendeteksian regulasi dan korelasi dengan input sistem langkah selanjutnya adalah mengklasifikasikan jenis gangguan. Algoritma digunakan pada proses penyetelah fuzzy logic PSS. Optimisasi diselesaikan untuk beberapa jenis gangguan utama yang dipilih pada dasar klasifikasi sebelumnya. Pembatasan
21
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
yang sama diaplikasikan pada algoritma genetik untuk mendapatkan parameter terbaik dari FL PSS. Hasil dari penyetelah FL PSS mengakibatkan nilai optimal dari beberapa fungsi, tabel aturan dasar dan faktor skala dapat ditentukan.
dimana n adalah jumlah pembangkit (lihat gambar 2). Kemudian, pita input dari ANN terdiri dari n(n-1)/2 neuron. Jumlah neuron pada pita output bersesuaian dengan jumlah grup dari perkiraan gangguan yang akan dibagi. Kemudian, dari variasi jumlah output neuron kita dapat menentukan variasi jumlah grup.. Organisasi ANN dapat mengenali dan mengklasifikasikan grup input vektor yang sama. Jumlah neuron terbaik akan bersesuaian dengan jumlah grup yang berkaitan dengan gangguan.
Teknik Klasifikasi Prinsip klasifikasi gangguan dengan menggunakan organisasi sistem cerdas dapat ditunjukkan pada gambar 2. Penentukan informasi profil karakter pembangkitan di bawah tipe-tipe gangguan yang berbeda diperlukan oleh penggunaan jaringan cerdas. Aturan
K
P
tuning Fuzzy
KP
Tabel Keputusan
Proses Fuzzy
KV
Sistem Terkontrol Gambar 1. Struktur Fuzzy Logic PSS
Initial mutual accelerations n
1 n
2
3
4
12
13 23
14 24 34
2 3
Vektor input n(n 1) 2
Kohonen’s map Nomor Kluster
1
1-2 1-3 1-4 2-3 2-4 3-4
4 Gambar 2. Klasifikasi gangguan dengan Artificial Neural Network
Sebuah parameter yang terbaik, tidak memerlukan integrasi numerik, namun dengan pembangkitan inisialisasi timbal balik akselerasi. Nilai dari pembangkitan tersebut dikenal dengan notasi i dan j dan dapat dihitung dengan : d 2 ij( 0) dt 2
dimana d 2 2
dt
(0)
2 ( 0) d 2 i( 0) d j , 2 dt dt 2
(1)
- nilai absolut dari pembangkitan akselerasi.
Input vektor terdiri dari elemen n(n-1)/2,
c. Deskripsi Algoritma Genetika Inisialisasi hibrid telah digunakan untuk membangkitkan inisialisasi populasi dari individu. Bagian dari populasi dibuat secara random. Bagian lain dapat dibuat berdasarkan pengalaman sebelumnya, algoritma cerdas misalnya. Pilihan yang tepat untuk ukuran populasi sangat penting. Dengan sedikit populasi, proses pembangkitan akan cepat, tetapi jika ukuran populasi terlalu besar, kecepatan optimisasi berkurang. Hal ini sangat diperlukan untuk menemukan keputusan kompromi yang memuaskan selain kriteria populasi. Berdasarkan hasil eksperimen, ukuran optimal populasi antara 50-100 individu. Selanjutnya, Algoritma Genetika akan memperbaharui individu ganda pada populasi, dan dalam studi kasus, pasangan individu yang sama dapat dideteksi, satu dari mereka dihilangkan. Satu titik pindah silang dan teknik roda roulette dapat digunakan. Probabilitas pindah silang adalah 0.84 dan kemungkinan dari mutasi adalah 0.1. Fungsi fitnes yang dipilih dari kriteria di atas adalah : T
Jk
1 N 2 0 i t dt , T i 1 t 0
(2)
dimana t-kecepatan rotor dalam interval waktu (t); - Kecepatan sinkron; T – Periode ; N – jumlah pembangkit; k – indeks individu dalam populasi. Karena
tujuan
optimisasi
adalah
untuk
22
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
mengevaluasi pengaruh FL PSS pada proses transient dalam beberapa gangguan sehingga kriteria yang diajukan adalah : J k
1 M
J M
m 1
( m) k
J0
2
,
(3)
dimana M – jumlah gangguan; M J 0 min J k( m ) M ; k 1..K m 1
K– ukuran populasi. Aplikasi rumus di atas menggantikan tambahan sederhana yang diijinkan dengan mempertimbangkan kontribusi yang tepat dari tiap gangguan untuk mengevaluasi fungsi fitnes. SIMULASI Studi ini didasarkan pada studi kasus sistem tenaga listrik dari berbagai gangguan. Model yang digunakan adalah model pembelajaran instrumentasi sistem tenaga program EDSA yang mengambil sistem tenaga listrik “IrkutskEnergo”. Model sederhana yang ditunjukkan pada gambar 3. Sistem pembangkit terdiri dari dari pembangkit hidro dan turbo generator dengan sistem eksitasi tinggi dengan PSS analog dan Tes sistem tenaga listrik dikarakteristikan dalam jumlah besar yang terdiri dari 200 titik (termasuk 40 generator) dan lebih dari 250 saluran transmisi dan transformator. Koneksi sederhana dapat dilihat pada representasi saluran pada gambar 3. Saluran transmisi yang panjang dan aliran daya yang besar memungkinkan adanya penyimpangan dari stabilitas transien sistem tenaga listrik. Pada awal estimasi terjadi gangguan yang besar pada stabilitas transient terbentuk (tabel 1). Hanya gangguan yang besar yang dipilih dengan rating tegangan 500 kV. Kemudian klasifikasi dan grup dilakukan untuk menentukan unit gangguan yang sama sesuai dengan teknik yang diberikan pada section II.B. Untuk tujuan tersebut, inisialisasi pembangkitan akselerasi timbal balik dihitung untuk tiap-tiap gangguan. Informasi ini digunakan untuk menguji sistem organisasi ANN.
TABEL 1 DAFTAR ESTIMASI GANGGUAN Saluran Tak Terkoneksi Nomor
Saluran
Nomor
Saluran
Nomor
Saluran
1 4 7 10 13
501 2 569 3 560 572 5 571 6 561 564 8 563 9 568 565 11 569+57 12 561+56 501+50 0 2 2 Hubung singkat dua fase + saluran tak terkoneksi darurat Nomor titik durasi Saluran 14 1500 0,12 561 15 2500 0,12 572 16 1505 0,12 569, 570, 560 17 2540 0,12 501 18 6503 0,12 563 19 6500 0,12 565 20 6510 0,12 564
Variasi jumlah neuron output dari 1 hingga 7, estimasi gangguan yang variasi dari jumlah grup kemudian dibagi dengan sesuai. Studi simulasi ini dibangun menggunakan Neural Network Toolbox Matlab 14. Hasil dari klasifikasi gangguan ditampilkan pada gambar 4. Analisis visual dari estimasi gangguan yang telah dilakukan dan mengkonfirmasi hasil yang akurat menggunakan organisasi ANN (gambar 5). Kemudian sebuah algoritma genetika diaplikasikan untuk tuning fuzy logic PSS yang lebih komplek yang terpasang pada generator pembangkit tenaga air (titik 1500). Pada titik ini adalah pembangkit dengan daya besar dan mengontrol frekuensi pada sistem tenaga listrik keseluruhan. Gangguan nomor 4, 14 dan 18 digunakan sebagai proses optimisasi. Gangguangangguan tersebut adalah yang terbesar pada level ketiga (gambar 4). Berdasarkan aturan hasil dari tabel, faktor skala dan keanggotaan fungsi telah didapatkan. (Tabel 2, Gambar 6). Perhitungan yang telah dilakukan menggunakan software PAU [10]. Program ini dikhususkan untuk model transient proses pada sistem tenaga listrik yang besar, dan juga terkandung didalamnya blok-blok model untuk Fuzy logic dan tuning Algoritma Genetika.
23
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
569 570
Rating Tegangan 565
PLTA
561 562
571
572
501 502
220kV 110 kV
563
6502
564 568
503, 504+509 510+511, 512
500 kV 6501
560
9510
1201
566
1500
1505
PLTA
6510
6503
6500 9200
235, 236
2500
2540
PLTA
282
cogeneration power plant
209, 210 203, 204
1225
2200
3210
7220
6200
3200
201, 202 7200
1209
cogeneration power plant
cogeneration power plant
9202
PLTA
3100
1101
2140
7100
6101
3110
PLTA
Gambar 3. Model Simulasi Sistem Tenaga Listrik
1
2
0
w*, rad/s
w*, rad/s
w*, rad/s
0,2 0,1 0 -0,1 -0,2
0
1
2 t, c
3
0
4
1
2 t, c
3
4
11
6
w*, rad/s
0
w*, rad/s
0
0
-0,2
1
2 t, c
3
4
17
1
0,2
1
3
0,1 0,08 0,06 0,04 0,02 0 -0,02 -0,04
0,3
w*, rad/s
Tabel indeks j telah dihitung untuk masing-masing estimasi gangguan (tabel 3). Seperti indeks performansi (2) juga telah digunakan. Nilai yang lebih kecil berkaitan dengan performa yang lebih baik. Selanjutnya, indeks kesimpulan J telah dihitung berdasarkan rumus (3) yang ditampilkan pada tabel 3. Studi kasus tersebut dapat didasarkan sebagai berikut :
0
-0,4 -1
-0,6 0
1-3, 6-8, 10
4, 5, 9
11, 13
1, 2, 7, 11 3, 6, 8-10 4, 5, 15
4
4, 5, 15
12, 14
13
Gambar 4 Hasil Klasifikasi Gangguan
3
4
20
3
4
3
17, 19, 20 17, 19, 20
4
9
0,1
-0,1
2 t, c
0 -0,1 -0,2 -0,3 -0,4
-0,3 2 t, c
1
0,2
0
-0,2
1
0
0
1
2 t, c
3
4
0
1
2 t, c
Gambar 5. Representasi visual dari hasil klasifikasi
13, 17-20
16, 18
2 t, c
w*, rad/s
0
0
16, 18
1
0,1
-1
12, 14, 16 17, 18, 20
12, 15
0
0,2 w*, rad/s
w*, rad/s
12, 14-20
1, 2, 7, 8, 11 3-6, 9, 10 12, 14-16 3, 6-10
3
1
1-11, 13 12, 14-16 17-20
1, 2, 11, 13, 19
2 t, c
19
1-20 1-11, 13
1
Peralatan generator dengan PSS konvensional; Peralatan generator dengan Fuzy Logic PSS dengan sistem cerdas (expert system)[10]; Peralatan generator dengan Fuzy Logic PSS dengan tuning Algoritma Genetika. Pada gambar 7 dan 8 respon sistem ditunjukkan untuk gangguan nomor 4 dan 16 dengan menggunakan PSS konvensional, sistem expert FL PSS dan FL PSS dengan tuning Algoritma Genetika. Simulation menunjukkan bahwa semakin besar
24
3
4
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
efisiensi dari optimisasi FL PSS dibandingkan dengan tipe lain dari PSS (lihat gambar 7-8 dan tabel 3). Nilai perhitungan dari indeks J juga dikonfirmasikan dalam kesimpulan ini. Dengan pertimbangan proses transient dibawah gangguan nomor 16 secara detail (lihat gambar 8). Dalam kasus ini, aplikasi PSS konvensional tidak diijinkan untuk menjaga stabilitas transient dari sistem. Kemudian, otomasi darurat digunakan dimana memutuskan aliran listrik sub sistem ke konsumen tak mencukupi dan sebagian sub sistem unit mengalami surplus. Aplikasi fuzy logic PSS mencegah terjadinya rugi daya saat stabilitas transient tanpa beroperasinya beberapa automatic sistem dan secara konsekuen mengijinkan penyediaan tegangan listrik bagi konsumen. TABEL 2 TABEL ATURAN DASAR FL PSS YANG DITERIMA SETELAH OPTIMISASI DENGAN ALGORITMA GENETIKA Speed deviation
NB NS ZR PS PB
kw= 1,1; kp= 4,2 Acceleration power P NB NS ZR PS NB NS NS NS NM NM NM NS NB ZR ZR ZR ZR PS PM PM NS PS PM PB
PB ZR PS PB PB PB
a)
Speed deviation, (p.u.)
b)
Fuzzy Logic PSS dituning dengan AG lebih efektif dibandingkan dengan konvensional PSS dan FL PSS dengan parameter cerdas. Aplikasi dari teknik ini dapat meningkatkan batas stabilitas transient sistem. Juga, optimasi Fuzzy Logic PSS menunjukkan damping yang lebih efektif dari osilasi generator setelah gangguan yang besar. Pendekatan yang diajukan untuk kluster gangguan dengan basis ANN mengijinkan pembangkitan yang lebih korektif sebagai representasi gangguan dan mengurangi waktu persiapan pembangkitan. TABLE III INDEKS PERFORMA PSS PSS Konven sional 1 13,0 2 5,5 3 10,6 4 20,2 5 18,0 6 9,6 7 6,9 8 9,3 9 10,2 10 10,8 11 15,7 12 25,5 13 13+autoreclosi 31,9 ng 34,3 14 37,9 15 16 20,1 17 24,6 18 23,4 19 23,6 20 13,76 J Nomor Gangguan
FL PSS Sebelum Setelah optimisasi Optimisasi 11,4 11,4 4,6 4,8 10,1 8,4 20,7 16,8 18,8 14,7 8,9 7,4 6,2 5,0 8,4 7,0 9,5 8,1 9,9 8,2 13,1 15,0 24,0 23,2 29,9 27,2 31,9 29,9 36,6 36,8 31,0 29,0 16,9 15,6 22,3 20,9 21,5 19,6 21,5 20,0 9,27
8,93
Akselerasi Daya, P (p.u.) Gambar 6. Keanggotaan fungsi variabel input yang dihasilkan setelah optimisasi dengan AG; a) untuk sinyal input ; b) untuk sinyal input P.
KESIMPULAN
a)
Dalam karya ilmiah tentang Fuzzy Logic PSS terhadap peningkatan sistem daya listrik secara luas. Perbandingan investigasi telah ditunjukkan bahwa
25
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
0
0
Speed deviation (rad/s)
2
Speed deviation (rad/s)
1
w*, rad/s
w*, rad/s
1
0
-1
1
2
3
4
5
0
t, c
1
2
3
4
5
3
4
5
t, c Time (s)
Time (s)
c) b)
0
0
-1
0 1
2
3
4
1
2 t, c Time (s)
5
t, c
Time (s)
c)
Speed deviation (rad/s)
Gambar 8. Respon sistem untuk gangguan no. 16, a) konvensional PSS, b) FL PSS dengan sistem cerdas, c) FL PSS dengan AG
1
w*, rad/s
Speed deviation (rad/s) 1
w*, rad/s
w*, rad/s
0
Speed deviation (rad/s)
2 1
Daftar Pustaka
0
0
1
2
3
4
5
t, c Time (s)
Gambar 7. Respon sistem untuk gangguan no.4 : a) konvensional PSS, b). FL PSS dengan setting cerdas, c) FL PSS dengan AG. a) 10
Speed deviation (rad/s)
9 8
w*, rad/s
7 6 5 4 3 2 1 0
-1
0
1
2
3 t, c Time (s)
b)
4
5
D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA: Addison-Wesley, 1989. E. Handschin, W. Hoffmann, F. Reyer, e.a., “A new method of excitation control based on fuzzy set theory”, IEEE Trans. Power Syst., vol. 9, No. 1, 1994, pp.533-539 F. Cheong, R. Lai, “Constraining the optimization of a fuzzy logic controller using an enhanced genetic algorithm”, IEEE Transactions on Systems, Man and Cybernetics, Part B, vol. 30, 2000, pp. 31–46. H.-C. Chang and M.-H. Wang, “Neural network based self organizing fuzzy controller for transient stability of multi-machine power system”, IEEE Trans. Energy Convers., vol. 10, No. 2, 1995, pp.339-347. J. H. Holland, Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence, London: Bradford book edition, 1994, p.211. J. Wen, S. Cheng, O.P. Malik, “A synchronous generator fuzzy excitation controller optimally designed with a genetic algorithm”, IEEE Transaction on Power Systems., vol. 13, No. 3, 1998, pp. 884-889. Liang Zhishan, Pan Kaigan and Zhang Huaguang, “Robust adaptive fuzzy excitation control of
26
Jurnal Teknika Fakultas Teknik Universitas Islam Lamongan
ISSN : 2085 - 0859 Volume 1 No.2 Tahun 2009
multi-machine electric power system”, Proceedings of POWERCON’98 Conf., Beijing, China, Aug. 18-22, vol.2, pp. 804-808. N.I. Voropai, D.N. Efimov, D.B. Popov and P.V. Etingov, “Fuzzy logic stabilizer modeling in the transients simulation software”, Proceedings of International Conference IEEE ISAP’2001, Budapest, Hungary, June 18-21, 2001, pp. 315320. N.I. Voropai, P.V. Etingov, “Two-stage adaptive fuzzy PSS application to power systems”. Proceedings of International Conference on Electrical Engineering ICEE’2001, Xi’an, China, July 22-26, vol. 1, 2001, pp. 314-318. Neural Network Toolbox User’s Guide, MathWorks, Inc, 1998. P. Lakshmi, M. Abdullah Khan, “Stability enhancement of a multimachine power system using fuzzy logic based power system stabilizer tuned through genetic algorithm”, International Journal of Electric Power and Systems, No. 22, 2000, pp.137-145. S. Cheng, O.P. Malik, G.S. Hope, “Self tuning stabilizer for a multi-machine power system”, IEE Proceedings, Part C., No.4, 1986, pp.176-189. T. Hiyama, “Application of rule-based stabilising controller to electrical power system”, IEE Proceedings-Generation, Transmission and Distribution, C, vol. 136, No. 3, 1989, pp.175-181 T. Kohonen, Self-Organization and Associative Memory, 2nd Edition, Berlin: Springer-Verlag, 1987. Y. Zhang, O.P. Malik, G.P. Chen, “Artificial neural network power system stabilizers in multimachine power system environment”, IEEE Transactions on Energy Conversion., vol. 10, No. 1, 1995, pp. 147-153.
27
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
Halaman ini sengaja dikosongkan
Klasifikasi Penyakit Kencing Manis (Diabetes Mellitus) Menggunakan Jaringan Syaraf Tiruan Dengan Metode Backpropagation 28
