DESAIN ADAPTIVE PSS BERDASAR PADA GENERALIZED NEURON (GNAPSS) PADA SISTEM SINGLE MESIN

Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008

DESAIN ADAPTIVE PSS BERDASAR PADA GENERALIZED NEURON (GNAPSS) PADA SISTEM SINGLE MESIN Mat Syai’in1), Mauridhi Hery Purnomo2) Adi Soeprijanto2) 1) Mahasiswa Pascasarjana, Jurusan Teknik Elektro, FTI-ITS 2) Dosen Teknik Elektro, FTI-ITS Kampus ITS, Sukolilo Surabaya 60111, INDONESIA Telp : (031)5947302, Fax (031)5931237 email : [email protected], [email protected] [email protected]

ABSTRAK Dalam penelitian ini Generalized Neuron (GN) digunakan untuk desain Adaptif PSS karena mempunyai keunggulan hanya membutuhkan sedikit data dan waktu yang singkat dalam melakukan proses pembelajaran (learning). Proses pembelajaran GN dilakukan dengan algoritma constructive backpropagation (CBP). GNAPSS yang digunakan dalam penelitian terdiri dari dua komponen utama yaitu GN-identifier dan GN-controller.GN-identifier berfungsi untuk memprediksi dinamika sistem yang akan terjadi (selangkah didepan), sedangkan GN-controller memberi input pada system eksitasi mesin untuk memperbaiki performansi sistem. Dari hasil simulasi GNAPSS mampu memperbaiki performansi sistem mesin. Kinerja GNAPSS dikategorikan baik dibandingkan dengan PSS conventional (CPSS). Sistem yang digunakan adalah sistem Pembangkit Suralaya. Simulasi dilakukan dengan software MATLAB. Kata kunci: Adaptive PSS, generalized neuron controller, neural network, Constructive backpropagation.

PENDAHULUAN Listrik merupakan kebutuhan pokok bagi masyarakat modern, kegiatan seharihari masyarakat modern ditentukan oleh kualitas daya listrik yang mereka gunakan. Kualitas daya listrik yang kurang baik akan berakibat pada kerugian. Pertambahan pelanggan listrik meningkat tajam membuat pihak penyedia jasa layanan listrik untuk menambah kapasitas pembangkit dan memperluas saluran distribusi, sehingga sistem menjadi besar. Pada sistem besar sering terjadi permasalahan-permasalahan yang berhubungan dengan kestabilan sistem, terutama masalah osilasi frekuensi rendah. Masalah ini sudah terjadi di negara-negara maju. Perkembangan teknologi memunculkan solusi-solusi yang bisa dijadikan alternative pilihan dalam menyelesaikan permasalahan kestabilan sistem tenaga listrik. Pada penelitian ini peneliti mencoba membahas tema power system stabilizer (PSS) sebagai upaya menambah redaman pada generator-generator pembangkit untuk membuat sistem menjadi lebih stabil. Power system stabilizer (PSS) merupakan peralatan yang sudah sering digunakan dalam mengatasi masalah kestabilan sistem tenaga listrik, yang digunakan untuk menambah redaman pada generator pembangkit. PSS conventional adalah salah satu jenis PSS yang paling sering dijumpai dan sudah diaplikasikan pada sistem single mesin maupun multi mesin [ 1-4]. Perkembangan sistem tenaga listrik yang cepat, disertai perubahan beban yang semakin acak menimbulkan berbagai permasalahan baru yang harus direspon dengan


cepat dan tepat, hal ini memicu penerapan artificial intelligent sebagai controller pada PSS, sehingga berkembang PSS berbasis artificial intelligent, baik yang didasarkan fuzzy logic, genetic algoritm, maupun neural network [5-9]. Aplikasi PSS berbasis artificial intelligent sebagian besar membutuhkan pelatihan (training), karena sistem berkembang maka data juga membesar hal ini menimbulkan permasalahan dalam proses learning terutama yang berkaitan dengan jumlah data dan waktu untuk learning, sehingga dikembangkan metode generalized neuron untuk mempercepat proses learning dan meminimalkan jumlah data yang dibutuhkan dalam proses learning [6,10]. Perkembangan sistem tenaga listrik yang semakin cepat dan masalah yang semakin beragam, menuntut penyelesaian yang real time, sehingga penulis mencoba mengajukan usulan untuk mengembangkan desain power system stabilizer untuk dapat merespon perubahan performa sistem secara langsung berdasar pada generalized neuron atau disebut GNAPSS [5,11]. Pada penelitian ini GNAPSS diaplikasikan (disimulasikan dengan software MATLAB) pada sistem pembangkit Suralaya. Pengaplikasian GNAPSS dititikberatkan pada kinerja CPSS dan GNAPSS terhadap perbaikan performansi sistem. GENERALIZED NEURON ADAPTIVE POWER SYSTEM STABILIZER (GNAPSS) GN Identifier Skema dari GN identifier menggunakan model forward, yang dipasang paralel dengan sistem dapat dilihat pada Gambar 1. Proses desain GN identifier ini dilakukan setelah melakukan simulasi single machine to infinitive bus (SMIB) dengan mengaplikasikan PSS konvensional. Proses trainning GN identifier dilakukan setelah pengambilan data simulasi dengan PSS Konvensional(CPSS).



Disturbant PLANT

u-Vector

+ GN Identifier

Unit Delay

-

 -Vector

Gambar 1. Model GN Identifier

GN identifier mempunyai dua input yaitu   Vektor dan u  Vektor .   Vektor adalah output plant dan u  Vektor adalah output dari PSS, sebagai input awal GN-identifier menggunakan output dari CPSS untuk proses trainning. Secara matematik dapat ditulis sebagai berikut: Xi(t) = [w _ vector,u _ vector] (1) w_vector diambil dari empat nilai kecepatan sudut mesin sinkron yang terakhir yang disensor dengan interval waktu konstan 30 ms, u_vector diambil dari tiga aksi kendali terakhir yang telah dilakukan ( simulasi CPSS). w _ vector  [ w(t ), w(t  T ), w(t  3T )] u _ vector  [u (t  T ), u (t  2T ), u (t  3T )] T adalah sampling periode,  adalah deviasi kecepatan anguler terhadap kecepatan sin-

ISBN : 978-979-99735-4-2 A-4-2


kron dalam rad/s. u adalah output dari controller. Dari Gambar 1 terdapat unit delay yang berfungsi untuk menggambarkan performansi sistem satu sample time didepan (prediktif) sehingga perubahan dinamik kecepatan anguler terhadap kecepatan sinkron dapat dinyatakan kembali sebagai berikut: w(t + T) = fi(Xi(t)) (2) wi(t + T) = Fi(Xi(t),Wi(t)) (3) Wi (t ) adalah matriks yang menyatakan weight darai GN identifier pada waktu t.Tahapan

proses learning GN identifier adalah sebagai berikut: 1.

2.

3. a.

Output aggregation function atau bagian 1 O  f 1( s _ net )   s*s _ net 1 e s _ net  Wi Xi  X o Output pada bagian  Generalized Neuron 2 O  f 2( pi _ net )  e  p* pi _ net

1 pada Generalized Neuron

(4)

(5) pi _ net   W i X i * X 0   Output dari Generalized Neuron didefinisikan sebagai berikut: O pk  O * (1  W )  O * W   (6) Output dari GN Identifier dibandingkan dengan output plant, sehingga didapatkan error, kemudian error tersebut diminimalkan dengan algoritma backpropagation Error Ei  ( wi (t )  w(t )) Error antara sistem dan output GN identifier pada unit delay digunakan sebagai signal training GN identifier. Error kuadrat sebanding dengan performance indeks 1 Ji(t)  [wi(t)  w(t)]2 (2.7) 2 (7) Reverse pass untuk modifikasi koneksi Weight diasosiasikan dengan bagian 1 dan  2 Generalized Neuron W (k )  W (k  1)  W (8)

W   k (O  O ) Xi  W (k  1)

 k   ( wi (t )  w(t ))

b.

Weight diasosiasikan input bagian 1 Generalized Neuron W i (k )  W i (k  1)  W i

(9)

W i    j (O  O ) Xi  W i (k  1)

  j    k W (1  O ) * O c.

Weight diasosiasikan input bagian  Generalized Neuron Wi (k )  Wi (k  1)  Wi Wi   j Xi  Wi (k  1)

 j    k (1  W ) * (2 * pi _ net ) * O

ISBN : 978-979-99735-4-2 A-4-3

(10)


GN-Controller Proses Trainning GN controller juga dilakukan dalam dua tahap seperti pada GN-identifier yaitu off-line trainning dan on-line update weight. Output dari GN controller adalah sinyal control u (t ) u(t )  Fc( Xi(t ),Wc(t )) (3.10) (11) Dengan Wc(t ) adalah matriks weight neural controller pada time instant t. dan u (t ) adalah de-normalisasi untuk mendapatkan aksi control actual dan kemudian dikirim ke plant dan GN identifier. Skema GN-Controller digambarkan seperti terlihat pada Gambar 2 berikut.

u-Vector GN Controller



PLANT

 -Vector

GN identifier Learning Algoritm

Output (t+T)

Gambar 2.Model GN Controller

Trainning GN-Controller Trainning GN-Controller sama dengan GN Identifier dengan Performance indeks dari neurocontroller adalah: 1 Jc(t )  [ wi (t  T )  wd (t  T )] 2 (2.11) 2 (12) Wc(t )  Wc(t  T )  Wc(t ) (2.12) (13) Jc(t )u (t ) Wc(t )  cwi (t  T )  cWc(t  T ) (2.13) u (t )Wc(t ) (14)  c  c Dengan adalah lerning rate untuk GN controller, adalah momentum factor untuk GN controller Constructive Backpropagation Algoritma Constructive backpropagation mempunyai kelebihan yaitu memulai training dari sebuah unit input dan sebuah unit output tanpa hidden layer, kemudian secara bertahap menambah sendiri hidden layer sampai didapat error yang minimum, pada training GN-identifier ini (off-line trainning) diharapkan mencapai 0.1 %. Secara lengkap algoritma training constructive backpropagation dapat digambarkan dalam diagram alir pada Gambar 3.

ISBN : 978-979-99735-4-2 A-4-4


Mulai

inisialisasi, paltihan, konfigurasi awal dan tetapkan penimbang

y

n

Jaringan dapat direduksi

err < err th

Selesai

y

n Tambah unit tersembunyi baru dan pelatihan unit tersembunyi baru

Cari Struktur minimum

Bekukan unit tersembunyi baru

Pelatihan jaringan terreduksi

Gambar 3 Diagram alir algoritma pelatihan Constructive Backpropagation

Generalized Neuron Model Model Generalized Neuron seperti Gambar 4, Output dari bagian  adalah karakteristik fungsi sigmoid Sedangkan bagian  dengan karakteristik fungsi Gaussian. S_Bias

pi_Bias

 1

f 1



f



Output O pk

2

2

Gambar 4. Model Generalized Neuron

Sistem Single Mesin Simulasi single mesin pada penelitian ini menggunakan model generator Philip Haphren seperti tampak pada Gambar 5. parameter generator yang digunakan dalam simulasi seperti pada Tabel 1 dan Table 2 .

Gambar 5. Model Generator Philip Haphren

ISBN : 978-979-99735-4-2 A-4-5

Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008 Tabel 1. Data Eksitasi Generator Pembangkit Suralaya.

Pembangkit KA TA KF TF Ke Te Suralaya 400 0,05 0,04 0,5 1,0 0,98 Tabel 2. Data K1 s/d K6 Generator Pembangkit Suralaya.

Tabel 3. Data PSS Konvensional

Parameter PSS konvensional T1 T2 T3 lead-lag T4 washout T5 gain Ks VsMin Limiter VsMin

Data K1 s/d K6 K1 0,0787 K2 0,0131 K3 0,9768 C3 10,238 K4 0,0074 K5 0,0001 K6 10,004

0.03 0.02 3 5.4 2 20 -0.15 0.15

Power System Stabilizer (PSS) Power system stabilizer (PSS) konvensional ini digunakan sebagai referensi dan data input awal dalam proses desain GNAPSS (Generallized Neuron Adaptive Power System stabilizer). PSS konvensional yang digunakan adalah PSS standard IEEE yang memiliki komponen washout, limiter dan komponen lead-lag yang dapat dilihat pada Gambar 6. PSS konvensional ini terlebih dahulu diaplikasikan pada sistem single mesin untuk diambil data sebagai data awal untuk mentrainning GNAPSS, proses trainning. Setelah diaplikasikan pada single mesin kemudian PSS konvensional diaplikasikan pada simulasi multi mesin [10,11].

Gambar 6. Model PSS Conventional

HASIL SIMULASI Performansi sistem CPSS dibandingkan dengan performansi GNPSS dapat digambarkan seperti pada Gambar 7. Gambar tersebut menunjukkan bahwa waktu yang dibutuhkan untuk mencapai titik setimbang (steady state) hampir sama di kisaran 350 sampel time, kedua jenis PSS tersebut membawa dampak positif terhadap perbaikan performansi sistem. Gambar tersebut juga memperlihatkan bahwa GNAPSS mempunyai respon lebih stabil pada saat menuju titik setimbang, ini menunjukkan bahwa GNAPSS mampu memberi tambahan damping pada generator.

ISBN : 978-979-99735-4-2 A-4-6

Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008 perbandingan tanpa PSS, CPSS dan GNPSS

0.005

tanpaPSS CPSS GNPSS

0

Respon CPSS dan GNPSS pada beban 0.3 step 25

-3

2

x 10

CPSS GNPSS

0

Output single mesin

Output single mesin

-2 -0.005

-0.01

-0.015

-4 -6 -8 -10

-0.02

-0.025

-12

0

100

200

300

400 500 sample Time

600

700

800

900

Gambar 7. Grafik perbandingan Respon tanpa PSS,CPSS dan GNAPSS -3

2

-14

0

200

400

600

800 1000 sample Time

1200

CPSS GNPSS

0

Output single mesin

-2 -4 -6 -8 -10 -12 -14

0

200

400

600

800 1000 sample Time

1200

1400

1600

Gambar 9. Grafik Respon CPSS dan GNAPSS pada pemberian beban 0.4 pu pada step 25.

KESIMPULAN Berdasarkan hasil simulasi dengan mengaplikasikan Generallized Neuron Adaptive Power System Stabilizer (GNAPSS) dapat disimpulan bahwa GNAPSS mampu memperbaiki performansi sistem, Performansi sistem dengan mengaplikasikan GNAPSS lebih baik dibandingkan dengan mengaplikasikan CPSS. DAFTAR PUSTAKA G. J. Rogers, “The application of power system stabilizers to a multigenerator plant,” IEEE Trans. Power Syst., vol. 15, no. 1, pp. 350–355, Feb. 2000. Paul M. Anderson, A.A. Fouad, “Power System Control and stability,” IEEE Press Power system engineering series, 1993 P.Kundur, “Power System Stability and Control,” McGrow-Hill, Inc, 1993. Adi Soeprijanto, Tunggal Mardiono,.Isnuwardianto,” Metode Sederhana Penalaan Power System Stabilizer”, Tesis, Institut Teknologi Bandung, 1994.

ISBN : 978-979-99735-4-2 A-4-7

1600

Gambar 8. Grafik Respon CPSS dan GNAPSS pada pemberian beban 0.3 pu pada step 25

Respon CPSS dan GNPSS pada beban 0.4 step 25

x 10

1400


R. Segal, M. L. Kothari, and S. Madnani, “Radial basis function (RBF) network adaptive power system stabilizer,” IEEE Trans. Power Syst., vol.15,no. 2, pp. 722–727, May 2000 Mauridhi Hery P, Agus K,”Supervised Neural Networks,” Graha Ilmu, 2006. D.K. Chaturvedi and O.P. Malik,” Neural Network Controller for Power System Stabilizer”, IE (I) Journal-EL, Vol. 85, pp. 138-145, December 2004. Mauridhi Hery P, “Dasar Algoritma Cerdas”, Diktat Kuliah Kecerdasan Buatan, D-IV PENS-ITS, 2002. Mauridhi Hery P,” Komputasi Cerdas” , Hand out Kuliah komputasi Cerdas, S-1 JTEITS,2005. D. K. Chaturvedi, O. P. Malik, and P. K. Kalra, “Experimental studies with a generalized neuron based power system stabilizer,” IEEE Trans. Power Syst., vol. 19, no. 3, pp. 1445–1453, Aug. 2004. D. K. Chaturvedi, O. P. Malik, and P. K. Kalra, “Generalized Neuron-Based Adaptive PSS for Multimachine Environtment ,” IEEE Trans. Power Syst., vol. 20 no.1 pp.358 – 366, Feb.2005. H.Saadat,”Power System Analysis,” McGraw-Hill International Edition 1999. Glover and Sarma, “Power System Analysis and Design”, Third Edition, Wadsworth Group, a division of Thomson Learning, Inc., 2002.

ISBN : 978-979-99735-4-2 A-4-8

DESAIN ADAPTIVE PSS BERDASAR PADA GENERALIZED NEURON (GNAPSS) PADA SISTEM SINGLE MESIN

Recommend Documents