BAB III METODE PENELITIAN

BAB III METODE PENELITIAN Penelitian ini menggunakan metode studi literature, observasi lapangan dan studi comparative, berujuan untuk mengetahui akurasi hasil dan waktu konvergensi analisis aliran daya optimal menggunakan metode Newton yang dimodifikasi dengan metode optimasi primal-dual dibandingkan dengan Genetic Algorithm (GA). Data pembebanan dan transmisi yang digunakan dalam penelitian ini adalah data standar IEEE 30 bus. Data tersebut sudah umum digunakan untuk menguji ketepatan dan keakuratan dari berbagai metode lain. Selain itu digunakan pula data sistem interkoneksi 500KV Jawa Bali (Pernbebanan tanggal 2 Januari 2013 Pukul 00.30 W1B) sebagai aplikasi pada kelistrikan Indonesia pada saat beban rendah. 3.1. Sistem Interkoneksi Jawa-Bali Data yang digunakan dalam penelitian ini merupakan pernbebanan tanggal 2 Januari 2013 Pukul 00.30 W1B. data ini menggambarkan beban terendah sistem dimana jam ini sudah masuk jam tidur. Data ini didapat dari hasil observasi di lapangan yaitu di PLN GITET Bandung Selatan dan ditambah beberapa data tambahan yang mengacu pada penelitian Baskoro (2009:59) dan Krisida (2011:48). Sistem interkoneksi 500 kV Jawa Bali terdiri atas 25 bus dengan 33 saluran dan 8 pembangkit. Pembangkit-pembangkit yang terpasang pada sistem interkoneksi 500 kV Jawa Bali antara lain pembangkit Suralaya. pembangkit Muaratawar, pembangkit Cirata, pembangkit Saguling, pembangkit Tanjungjati, pembangkit Gresik, pembangkit Paiton, dan Pembangkit Grati. Diantara 8 pembangkit tersebut pembangkit Cirata dan pembangkit Saguling merupakan pembangkit yang menggunakan tenaga air, sedangkan pembangkit yang lainnya merupakan pembangkit dengan tenaga uap dengan bahan bakar batubara, adapun pembangkit Suralaya bertindak sebagai pembangkit slack atau referensi. 21

Dian Anggun Trisnadi, 2013 Studi Aliran Daya Optimal Dengan Optimasi Primal Dual Bernasis Metode Newton Universitas Pendidikan Indonesia | repository.upi.edu

22

Jenis-jenis bus pada sistem interkoneksi 500 kV Jawa Bali diberikan sebagai berikut.  Satu buah slack bus, yaitu bus pembangkit Suralaya.  Tujuh buah generator bus, yaitu antara lain bus pembangkit Cirata, pembangkit Saguling, pembangkit Tanjungjati, pembangkit Gresik, pembangkit Paiton, dan Pembangkit Grati.  Tujuh belas buah load bus, yaitu bus Balaraja, bus Kembangan, bus Gandul, bus Cibinong, bus Cilegon, bus Depok, bus Cawang, bus Bekasi, bus Bandung Selatan, bus Cibatu, bus Madirancan, bus Tasikmalaya, bus Pedan, bus Ungaran, bus Kediri, bus Surabaya Barat dan bus Ngimbang

Gambaran sistem interkoneksi jawa bali dapat dilihat pada gambar 3.1 sebagai berikut


23

Gambar 3.1. Gambar Sistem Interkoneksi 500KV Jawa Bali 2013

Dalam gambar 3.1 transmisi 500KV digambarkan dalam garis berwarna biru. Garis ini melintang dari sisi baling barat pulau Jawa yaitu Suralaya sampai ke sisi paling timur pulau Jawa Surabaya Barat. Untuk lebih mempermudah pembacaan sistem transmisi 500KV dapat digambarkan dalam single line diagram sebagai berikut. Dian Anggun Trisnadi, 2013 Studi Aliran Daya Optimal Dengan Optimasi Primal Dual Bernasis Metode Newton Universitas Pendidikan Indonesia | repository.upi.edu

24

2

6 Cilegon

Balaraja

5 Cibinong

4

1 Suralaya

3 Kembangan

Gandul

7 Depok 12 Cirata 15 Saguling

9 Bekasi

8 Cawang

11 Cibatu

14 Muaratawar

13 Mandiracan

16 Tasikmalaya

17 Pedan

10 Bandung Selatan 22 Kediri

19 Ungaran 18 Tanjung Jati

22 Ngimbang

23 Paiton

24 Surabaya Barat 20 Gresik 21 Grati

Gambar 3.2. Single Line Diagram Sistem Interkoneksi 500KV Jawa Bali 2013


25

3.2. Definisi Operasional Analisis aliran daya merupakan analisis yang menggambarkan keadaan operasi dari sistem listrik secara keseluruhan, dimana didalamnya terdapat jaringan generator, jaringan transmisi, dan beban yang bisa mewakili daerah kecil seperti kota atau daerah besar seperti negara. Analisis aliran daya atau di industri biasa disebut analisis aliran beban, memproses data daya yang dikirim dan dari sumbernya untuk memberitahu kita bagaimana daya mengalir ke tujuannya. Analisis aliran daya optimal adalah perhitungan untuk meminimalkan suatu fungsi tujuan biaya pembangkitan tenaga listrik atau rugi-rugi pada saluran transmisi dengan mengatur pembangkitan daya aktif dan daya reaktif setiap pembangkit yang terinterkoneksi dengan memperhatikan batas-batas tertentu. Batas yang umum dinyatakan dalam perhitungan analisis aliran daya optimal berupa batas minimum dan maksimum untuk pembangkitan daya aktif dan reaktif pada pembangkit. Optimasi Primal-Dual adalah metode penyelesaian optimasi persamaan kuadrat linear dan non-linear. Penyelesaian persamaan kuadrat dilakukan dengan memotong fungsi pembatas sehingga waktu perhitungan relative lebih cepat dari metode biasa. Aplikasi Optimasi Primal-Dual untuk penyelesaian masalah aliran daya optimal pertama kali diperkenalkan pada tahun 1997 oleh G.R.M. da Costa dalam jurnal berjudul Optimal Reactive Dispatch Through Primal-Dual Method. Metode Newton adalah suatu metode yang menggunakan uraian deret Taylor untuk menyelesaikan persamaan kuadrat dengan dua variabel atau lebih. Metode Newton sudah lama digunakan untuk menyelesaikan masalah aliran daya dan aliran saya optimal. Penggunaan metode newton dalam penyelesaian masalah aliran daya optimal pertama dilakukan oleh Hermann W. Dommel dan William F. Tinney pada tahun 1968 dalam jurnal mereka yang berjudul “Optimal Power Flow Solution”. 3.3. Matlab dan Toolbox


26

Metode yang digunakan dalam penelitian ini

sangat rumit jika

perhitungannya dilakukan secara manual, namun dengan bantuan komputer metode di atas dapat terselesaikan dengan relatif cepat. Dalam penelitian ini agar dapat menginteraksikan analisis dengan sistem komputasi dibutuhkan bahasa pemrograman yang mendukung perhitungan berbasis matriks. Bicara soal matriks maka bahasa pemrograman yang paling cocok dengan penelitian ini adalah Matlab. Matlab singkatan dari MATrix LABolatory, merupakan bahasa pemrograman yang dikembangkan oleh Mathwork .Inc. Bahasa pemrograman ini banyak digunakan untuk perhitungan numerik keteknikan, komputasi simbolik, visualisasi grafis, analisis data matematis, statistika, simulasi, pemodelan dan desain GUI (Hartanto, 2003). Matlab memiliki beberapa toolbox khusus yang dibuat oleh lembaga non profit untuk edukasi dan penelitian non profit. Toolbox Matlab adalah kumpulan M-file yang mempunyai satu kesatuan fungsi untuk memecahkan masalah tertentu. Untuk pemecahan masalah simulasi sistem tenaga listrik seperti optimal power flow, Matlab memiliki beberapa Toolbox yang paling dikenal diantaranya MatPower Toolbox (MPT), Power System Analysis Toolbox (PSAT) dan Voltage Stability Toolbox (VST) (Cartina, 2007). 3.4. MatPower Toolbox MatPower adalah paket M-file Matlab untuk memecahkan masalah aliran daya dan aliran daya optimal. Hal ini dimaksudkan sebagai alat simulasi bagi para peneliti dan pendidik yang mudah digunakan dan dimodifikasi. MatPower dirancang untuk memberikan kinerja terbaik sambil menjaga kode tetap sederhana untuk dipahami dan dimodifikasi. MatPower awalnya dikembangkan oleh Ray D. Zimmerman, Carlos E. Murillo-Sanchez dan Deqiang Gan dari Power Systems Engineering Research Center (PSERC) Cornell University di bawah arahan Robert J. Thomas. Awalnya kode aliran daya dan aliran daya optimal berbasis Matlab ini lahir dari kebutuhan komputasi untuk proyek PowerWeb. Banyak orang lain telah memberikan


27

kontribusi untuk MatPower selama bertahun-tahun dan terus dikembangkan dan dipelihara di bawah arahan Ray Zimmerman (Zimmerman, 2011) Fungsi utama MatPower adalah untuk memecahkan masalah aliran daya dan aliran daya optimal baik AC maupun DC. MatPower sangat mudah digunakan, kita hanya harus menuliskan kode simulasi apa yang ingin kita jalankan pada command window Matlab. Contoh, jika kita tuliskan runpf('case14'); maka Matlab akan memanggil pemecahan aliran daya tegangan AC dengan data standar IEEE 14 bus, jika kita tuliskan runopf('case14'); maka Matlab akan memanggil pemecahan aliran daya optimal tegangan AC dengan data standar IEEE 14 bus. Cara kerja MatPower untuk masalah OPF secara singkat adalah sebagai berikut. 1. Memuat data ke struktur data mpc 2. Mengonversi data ke penomoran internal dan menghapus bagian data yang tidak akan digunakan 3. Membangun matriks dan vektor yang diperlukan untuk merumuskan masalah OPF (Ybus, batas variabel, biaya, dll) 4. Membangun objek model OPF dengan semua variabel dan indeks informasi kendala 5. Memanggil program pemecah terpilih seperti Matlab Interior Point Solver (MIPS), Knitro, dll. (Masing-masing memiliki algoritma sendiri) 6. Mengemas hasil pemecahan masalah ke dalam struktur hasil 7. Mengonversi hasil pemecahan masalah kembali ke format penomoran eksternal dan menambahkan kembali bagian data yang tidak digunakan 8. Mencetak dan atau menyimpan hasil simulasi. 3.5. Matlab Interior Point Solver (MIPS) Mulai dari versi 4, MatPower menyediakan solver baru yaitu primal-dual interior point disebut juga MIPS, untuk Solver Interior Point pada Matlab. Hal ini


28

diimplementasikan dalam pengkodean yang murni Matlab. Ide ini berasal dari penerapan algoritma Matlab EXtension (MEX) dijelaskan dalam (H. Wang, 2007). Solver tersebut jika diterapkan dengan fungsi MIPS, dapat dipanggil sebagai berikut. [x, f, exitflag, output, lamda] = … mips(f_fcn, x0, A,l, u, xmin, xmax, gh_fcn, hess_fcn, opt);

dimana input dan output argumen masing-masing dijelaskan dalam Tabel 1 dan 2. Sebagai alternatif, argumen input dapat dikemas sebagai bidang dalam struktur masalah dan disahkan sebagai argumen tunggal, di mana semua bidang kecuali f_fcn dan x0 adalah opsional. [x, f, exitflag, output, lamda] = mips(problem);

Syntax yg dipanggil hampir identik dengan yang digunakan oleh fmincon dari Toolbox Optimasi Matlab. Perbedaan utama adalah kendala linier yang ditentukan dalam hal fungsi linear tunggal terbatasi ganda ( lawan kesetaraan terpisah dibatasi (

) dan (

) sebagai ) dibatasi atas

fungsi. Secara internal, kendala kesetaraan ditangani secara eksplisit dan ditentukan pada saat bekerja berdasarkan pada nilai-nilai l dan u. Tabel 3.1. Input argumen untuk MIPS Nama f_fcn

x0 A, l, u xmin, xmax gh-fcn

hess_fcn

Deskripsi Menangani fungsi yang mengevaluasi fungsi tujuan, gradien dan Hessian untuk nilai tertentu dari x. Syntax untuk memanggil fungsi ini: [f, df, d2f] = f_fcn(x) Nilai awal optimasi vektor x. Mendefinisikan kendala linear opsional . Masing-masing nilai default untuk elemen l dan u adalah -Inf dan Inf Batas bawah dan atas opsional pada variabel . Nilai defaultnya adalah Inf dan Inf Menangani fungsi yang mengevaluasi kendala nonlinier opsional dan gradien untuk nilai tertentu. Syntax untuk memanggil fungsi ini: [h, g, dh, dg] = gh_fcn(x) Menangani ke fungsi yang menghitung Hessian dari Lagrangian untuk nilai yang diberikan , dan , di mana dan adalah pengganda pada kendala kesetaraan dan ketidaksetaraan dan . Syntax untuk


29

memanggil fungsi ini: Lxx = hess_fcn(x, lam, cost mult), Dimana = lam.eqnolin, = lam.ineqnolin dan cost_mult adalah parameter yang digunakan untuk skala fungsi tujuan struktur options pilihan dengan bidang-bidang tertentu, yang semuanya merupakan pilihan (nilai default yang ditunjukkan dalam tanda kurung).

opt

Nama

Deskripsi Control level untuk tampilan output proses 0 - print tanpa proses info 1 - print dengan sedikit proses info 2 - print dengan banyak proses info 3 - print dengan semua proses info yang ada feastol (1e-6) Toleransi penghentian untuk kondisi kelayakan gradtol (1e-6) Toleransi penghentian untuk kondisi gradien comptol (1e-6) Toleransi penghentian untuk kondisi pelengkap costtol (1e-6) Toleransi penghentian untuk kondisi biaya max_it (150) Jumlah iterasi maksimal step_control (0) Ganti ke variable 1 untuk mengaktifkan step control max_red (20) jumlah maksimum dari ukuran langkah pengurangan jika step control aktif. cost_mult (1) pengganda biaya yang digunakan untuk meningkatkan pengkondisian skala fungsi tujuan. Catatan: Nilai ini juga harus melebihi nilai argumentasi ke-3 untuk fungsi evaluasi Hessian sehingga dengan tepat dapat meningkatkan fungsi obyektif dalam Hessian dari Lagrangian tersebut. struktur masukan argumen tunggal alternative dengan bidang yang sesuai untuk argumen di atas. verbose (0)

problem

Tabel 3.2. Output argumen untuk MIPS Nama x f exitflag

output

lambda

Deskripsi Vector solusi Nilai akhir fungsi tujuan Tanda keluar 1 Kondisi urutan pertama optimalitas memuaskan 0 jumlah maksimum iterasi mencapai -1 gagal secara numerik keluaran output struktur dengan bidang iterations jumlah iterasi dilakukan Hist Struktur array dengan lintasan sebagai berikut: feascond, gradcond, compcond, costcond, gamma, stepsize, obj, alphap, alphad message pesan keluar Struktur yang berisi pengali Lagrange dan Kuhn-Tucker pada kendala, dengan bidang: eqnonlin Batasan persamaan nonlinear


30

ineqnonlin mu_l mu_u lower upper

Batasan ketidaksamaan nonlinear Batas terendah (kiri) kendala linear Batas tertinggu (kanan) kendala linear Nilai terikat terendah pada variabel optimasi Nilai terikat tertinggi pada variabel optimasi

3.5.1. Contoh Penggunaan MIPS Kode berikut menunjukkan contoh sederhana menggunakan MIPS untuk memecahkan optimasi 2 dimensi tak terbatas Rosenbrock "banana" dari fungsi berikut ini. (3.1) Pertama, buat fungsi Matlab yang akan mengevaluasi fungsi tujuan, gradien dan Hessian, untuk nilai

tertentu. Dalam kasus ini, koefisien dari suku pertama

didefinisikan sebagai sebuah parameter . function [f, df, d2f] = banana(x,a) f = a*(x(2)-x(1)^2)^2+(1-x(1))^2; if nargout > 1 %% gradient is required df = [ 4*a*(x(1)^3 – x(1)*x(2)) + 2*x(1)-2; 2*a*(x(2) – x(1)^2) ]; if nargout > 2 %% hessian is required d2f = 4*a*[3*x(1)^2 - x(2) + 1/(2*a), -x(1); -x(1) ½ ]; end end

Kemudian, penanganan fungsi mendefinisikan nilai dari parameter menjadi 100, atur nilai awal x, dan panggil fungsi MIPS untuk menyelesaikannya. >> f_fcn = @(x)banana(x,100); >> x0 = [-1.9; 2]; >> [x, f] = mips(f_fcn, x0) x = 1 1 f = 0


31

3.6. Quadratic Programming Solver Sebuah kumpulan fungsi yang disebut qps_mips disediakan untuk memudahkan dalam mengatur dan memecahkan masalah pemrograman linear (LP) dan kuadratik pemrograman (QP) dengan bentuk berikut: (3.2) Tergantung pada (3.3) (3.4) Alih-alih menangani fungsi, fungsi tujuan ditetapkan pada paramter H dan c dari koefisien biaya kuadratis. Secara internal, qps_mips melalui MIPS menangani fungsi yang menggunakan parameter untuk mengevaluasi fungsi tujuan, gradien dan Hessian. Syntax untuk memanggil qps_mips mirip dengan yang digunakan oleh quadprog dari Toolbox Optimasi Matlab. [x, f, exitflag, output, lamda] = qps_mips(H, c, A, l, … u, xmin, xmax, x0, opt);

Atau, argumen input dapat dikemas sebagai bidang dalam struktur masalah dan dilewatkan sebagai argumen tunggal, di mana semua bidang kecuali

,

dan

adalah opsional. [x, f, exitflag, output, lamda] = qps_mips(problem);

Selain H dan c, semua argumen input dan output sama persis dengan argumen yang sama untuk MIPS seperti yang dijelaskan dalam Tabel 1 dan 2. 3.7. Algoritma dari Primal-Dual Interior Point Bagian ini memberikan beberapa rincian tentang algoritma dari Primal Dual Interior Point yang digunakan oleh MIPS dan dijelaskan dalam (Da Costa, 1997).


32

3.7.1. Perumusan Masalah dan Lagrangian Metode Primal Dual Interior Point yang digunakan oleh MIPS memecahkan masalah dalam bentuk: (3.5) Tergantung pada : (3.6) (3.7) Pendekatan yang diambil melibatkan mengonversi kendala ketimpangan menjadi kendala kesetaraan menggunakan fungsi penghalang dan vektor dari slack positif variabel .

Tergantung pada : (3.9) (3.10) (3.11) Untuk nilai

tertentu, persamaan Lagrangian untuk masalah kesetaraan

dibatasi di atas adalah

Jika dilakukan panurunan parsial pada tiap variable di atas, maka Hessian dari Lagrangian sehubungan dengan

diberikan oleh (3.13)

3.7.2.

Uruta n Optimalitas Kondisi Pertama


33

Optimalitas urutan pertama (Karush-Kuhn-Tucker) persyaratan untuk masalah ini terpenuhi ketika turunan parsial dari Lagrangian di atas semua set ke nol, maka :

(3.14)

3.7.3.

Langk ah-Langkah Newton Kondisi optimalitas urutan pertama diselesaikan menggunakan metode

Newton. Hasil pembaruan langkah metode Newton dapat ditulis sebagai berikut: (3.15)

(3.16)

Himpunan persamaan ini dapat disederhanakan dan direduksi menjadi satu set yang lebih kecil dari persamaan dengan memecahkan secara eksplisit untuk dalam hal

dan untuk

memecahkan untuk

dalam hal

. Mengambil baris ke-2 (3.16) dan

kita mendapatkan (3.17)

Memecahkan baris ke-4 (3.16) untuk menghasilkan ΔZ (3.18) Kemudian, substitusi (3.17) dan (3.18) ke baris 1 dari (3.16) menghasilkan


34

(3.19) Dimana (3.20) (3.21) Dan (3.22) (3.23) Menggabungkan (3.19) dan baris ke-3 (3.16) menghasilkan sistem persamaan dengan ukuran yang berkurang: (3.24) Dengan metode Newton yg telah diupdate kemudian dapat dihitung 3 langkah berikut: 1.

Mengh itung

dan

dari (3.24).

2.

Mengh itung

dari (3.18).

3.

Mengh itung

dari (3.17)

Dalam rangka mempertahankan kelayakan yang ketat dari solusi percobaan, masing-masing algoritma ini memotong langkah Newton dengan skala dual


35

primal dan variabel dengan

dan

, di mana faktor-faktor skala dihitung

sebagai berikut:

Sehingga menghasilkan update variabel di bawah ini. (3.27) (3.28) (3.29) (3.30) Parameter Pada MIPS,

adalah skalar konstan dengan nilai sedikit kurang dari satu.

diatur ke 0,99995.

Dalam metode ini, selama iterasi seperti Newton, parameter gangguan harus konvergen ke nol dalam rangka untuk memenuhi kondisi optimalitas urutan pertama dari masalah asli. MIPS menggunakan aturan berikut untuk memperbarui pada setiap iterasi, setelah memperbarui Z dan µ:

Dimana

adalah skalar konstan antara 0 dan 1. Pada MIPS

diatur ke 0,1.


BAB III METODE PENELITIAN

Recommend Documents