DESAIN RECURRENT NEURAL NETWORK - AUTOMATIC VOLTAGE REGULATOR PADA SISTEM SINGLE MESIN

Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010

DESAIN RECURRENT NEURAL NETWORK - AUTOMATIC VOLTAGE REGULATOR PADA SISTEM SINGLE MESIN Widi Aribowo Fakultas Teknik, Teknik Elektro Universitas Negeri Surabaya [email protected]

ABSTRAK Dalam penelitian ini Recurrent Neural Network (RNN) digunakan untuk menggantikan automatic voltage regulator (AVR) konvensional sebagai fungsi eksitasi karena mempunyai keunggulan keluaran RNN tidak hanya tergantung pada masukan saat itu saja, tetapi juga tergantung pada kondisi masukan NN untuk waktu sebelumnya. RNNAVR dapat menangkap respon dinamik dari system tanpa delay waktu yang external feedback karena neuron recurrent mempunyai internal feedback. Simulasi dilakukan untuk membandingkan respon stabilitas transien tegangan terminal (terminal voltage), sudut beban (load angle) serta Kecepatan. Simulasi dilakukan dengan software MATLAB. Kata kunci: Recurrent neural network, AVR, Mesin Sinkron, RNN-AVR. PENDAHULUAN Stabilitas sistem tenaga listrik didefinisikan sebagai kemampuan suatu sistem tenaga listrik atau bagian komponen untuk mempertahankan sinkronisasi dan keseimbangan sistem. Dari keadaan operasional yang stabil dari sistem tenaga listrik, terdapat keseimbangan antara daya input mekanis pada primer mover dengan daya output listrik pada sistem. Dalam keadaan ini semua generator berputar pada keadaan sinkron. Penggunaan AVR (Automatic Voltage Regulator) dengan penguatan yang tinggi untuk menambah kestabilan sistem tenaga listrik dapat menimbulkan ketidakstabilan saat kondisi-kondisi khusus (kondisi yang mendekati limit daya penyaluran). Disaat kondisi-kondisi tersebut bila ada perubahan kecil beban maka umpan balik yang ada dapat menyebabkan redaman negatif [1]. Sistem eksitasi dari sistem tenaga listrik harus mendukung kontrol tegangan efektif dan mempertinggi stabilitas. Hal ini harus mampu merespon secara cepat perubahan stabilitas gangguan transien dan stabilitas sinyal kecil.[2] Tiga prinsip stabilitas yang mempengaruhi generator sinkron antara lain boiler, governor dan pengaturan eksiter. Dengan mengasumsikan unit pembangkit tanpa rugirugi (losses) maka rugi-rugi total dari turbin terhadap output total pembangkitan semua daya yang diterima dari steam boiler dalam bentuk daya listrik. Pengaturan governor yang dihasilkan sesuai daya yang dihasilkan pembangkit. Pengaturan sistem eksitasi yang menghasilkan EMF dari generator tidak hanya mengatur tegangan output akan tetapi juga mengatur tegangan output akan tetapi juga mengatur faktor daya dan besaran arus yang sesuai.[3] Kecepatan dari AVR sangat diminati untuk dipelajari pada sistem kestabilan. Sebab induksi yang tinggi kumparan medan generator yang membuat perubahan yang cepat pada arus medan. Pada penelitian ini RNN-AVR diaplikasikan (disimulasikan dengan software MATLAB) pada sistem single mesin. Pengaplikasian RNN-AVR pada sistem single mesin dititik beratkan pada kinerja RNN-AVR terhadap tegangan terminal, kecepatan dan sudut beban.


SISTEM PEMBANGKIT TENAGA LISTRIK Jika terjadi perubahan permintaan disisi beban, maka akan terjadi perubahan pada tegangan atau frekuensi sistem. Gambar 2.1 yang memperlihatkan proses transfer energi dari sumber daya alam menjadi besaran elektrik seperti daya, arus dan tegangan. Dapat dijelaskan bahwa energi yang dibawa oleh sumber daya alam, menggerakkan turbin yang akan memutar generator untuk menghasilkan energi elektrik. Energi elektrik yang dihasilkan oleh generator ini dikirim ke beban melalui kawat transmisi. Dari boiler/ pipa pesat

Daya, Arus & tegangan

Torsi Turbin

Generator -

-



Governor +



Sistem Eksitasi

+ Referensi w

Referensi V

Gambar 1. Bentuk umum sistem pembangkit

Energi listrik yang dihasilkan generator atau pembangkit listrik berawal dari rotor yang dialiri arus DC oleh sistem eksitasi. Kemudian rotor diputar oleh torsi mekanik dari turbin. Sehingga menghasilkan medan putar yang memotong fluksi magnetik belitan konduktor di stator maka akan timbul tegangan di stator yaitu : (1) E  C.n. Dengan E adalah tegangan di belitan stator, n kecepatan putar poros generator,  adalah fluksi dan C adalah konstanta pembanding. Automatic Voltage Regulator Peralatan otomatis untuk kontrol tegangan ouput generator dan frekuensi harus mempunyai kriteria dapat menjaga konstan harga parameter sebelum gangguan terjadi pada generator. Governor digunakan untuk feedback dengan kecepatan agak lambat dibandingkan AVR. AVR digunakan untuk tegangan terminal dengan mengatur tegangan eksiter generator pada kondisi berbeban, mengatur daya reaktif yang dihasilkan dengan menjaga faktor daya mesin. Untuk kwalitas AVR dapat diperlihatkan dengan pengaruh level tegangan selama operasi steady state dan juga mengurangi osilasi selama periode transien dan terpenting berpengaruh terhadap semua kestabilan sistem. Definisi Recurrent Neural Network Backpropagation Neural Network hanya terbatas pada pelatihan fungsi statis, keluaran hanya tergantung pada kondisi masukan saat ini, sehingga tidak mampu kalau ada perubahan pola data masukan. Kelemahan tersebut membuat elman mengembangkan menjadi recurrent neural network. RNN adalah NN dengan fasilitas umpan balik menuju neuron itu sendiri maupun neuron yang lain, sehingga aliran informasi dari masukan mempunyai arah jamak (multidirectional). Keluaran RNN tidak hanya tergantung pada masukan saat itu saja, tetapi juga tergantung pada kondisi masukan NN untuk waktu lampau. Kondisi dimaksudkan untuk menampung kejadian lampau diikutkan pada proses komputasi. Hal ini penting untuk problematika yang cukup rumit, dan tanggapan keluaran NN berkaitan dengan variasi waktu (timevarying), sehingga NN memiliki sense terhadap waktu dengan memori kondisi lampau [4].

ISBN : 978-979-99735-9-7 A-29-2


Gambar 2. Struktur Recurrent Neural Network

RNN Identifier (RNN-i) Skema dari RNN Identifier menggunakan model forward, yang dipasang parallel dengan sistem dapat dilihat pada gambar 3. RNN-i ini membaca output dari plant  (t ) dan berusaha untuk meniru bentuk gelombang dari output plant dengan cara membandingkan output plant dengan output RNN -i, jika terjadi perbedaan antara atau error maka sinyal error tersebut dikirim ke RNN -i untuk dilakukan proses learning untuk memperkecil error. RNN-i mempunyai dua input yaitu  dan u .  adalah output plant dan u adalah output dari AVR, sebagai input awal RNN -i menggunakan output dari AVR konvensional untuk proses trainning. Secara matematis dapat ditulis sebagai berikut: Xi (t )  [  w,  u ] (2)  diambil dari nilai kecepatan mesin sinkron yang terakhir yang disensor dengan interval waktu konstan 200 ms . (3) w  [ w(t ), w(t  T ), w(t  3T )] u diambil dari tiga aksi kendali terakhir yang telah dilakukan (simulasi KAVR). (4) u  [u (t  T ), u (t  2T ), u (t  3T )] T adalah sampling periode,  adalah deviasi kecepatan anguler terhadap kecepatan sinkron dalam rad/s. u adalah output dari controller. Trainning RNN-i Tahapan proses learning RNN-i adalah sebagai berikut: Output aggregation function Pi ( t )  Pi ( t ) e j e j Oi j (t )  f ( Pi j (t ))  Pi (t )  Pi ( t ) e j e j j

j

i 1

i 1

Pi j (t )   Ii j  Wi ji  bi1   Oii  Wi ji

(5) (6)

Output pada bagian RNN-i k

Pik (t )   Oi j (t )  Wikj  bi2

(7)

Ok (t )  Pk (t )

(8)

i 1

Output dari RNN Identifier dibandingkan dengan output plant, sehingga didapatkan error. Error antara sistem dan output RNN identifier pada unit delay

ISBN : 978-979-99735-9-7 A-29-3


digunakan sebagai training RNN identifier. Error kuadrat sebanding dengan performance indeks 1 n (9) Ei (t )   ( wi k (t )  Oik (t )) 2 2 k 1 Weight Wji dan weight Wkj dapat diatur dengan menggunakan steepest descent algorithm. Ei (t ) W ji (t  1)  W ji (t )  W ji (t )  W ji (t )   I (10) W ji (t )

Wkj (t  1)  Wkj (t )  Wkj (t )  Wkj (t )   I

Ei (t ) Wkj (t )

(11)

Dengan  I adalah learning rate dari RNN-I, gradient error E(t) dari weight Wji dan weight Wkj adalah Ei (t )  ( wi k (t )  Oik (t ))Oi j (t ) (12) Wkj (t )

Ei (t )   [ wik (t ) Oik (t )Wikj (t )(1  Oi j (t ) 2 )Oi j (t  1)] Wji (t )

(13)

RNN-Controller (RNN -c) Output dari RNN controller adalah sinyal control u (t ) (14) u (t )  Fc( Xi (t ),Wc(t )) 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 RNN-i. Trainning RNN-Controller (RNN-c) Performance indeks dari neurocontroller adalah 1 n (15) Ec (t )   (rk (t )  xk (t )) 2 2 k 1 Dengan xk (t ) adalah output plant dan rk (t ) adalah referensi yang dinginkan. Sedangkan weight dari RNN controller update adalah Ec(t ) Wc ji (t  1)  Wc ji (t )  Wc ji (t )  Wc ji (t )   I (16) Wc ji (t ) Dengan c adalah lerning rate untuk RNN controller Model RNN-AVR setelah digabung antara RNN-identifier dan RNN–Controller adalah seperti terlihat pada gambar 3 berikut.

ISBN : 978-979-99735-9-7 A-29-4


u 

 

u



Gambar 3. Model RNN-AVR

SIMULASI DAN ANALISIS Genertor dimodelkan dalam bentuk model Philips Heffron, dan dapat dilihat pada Gambar 4. 1 RG

1 1 + Ttu S

m

+

1 Ms

-

U1

+

D

+

U2

-

1 kE + sT

+ VF

-

s

K3 T'dosK3 + 1

E 'q

+ K2

D

e

+ K1

K4

K5

K6

Vt

+

G ambar 4. Diagram Blok Dinamika Single Mesin

Data pelatihan adalah data output dengan variasi gangguan antara 0.01-0.1 pu. Fungsi aktifasi yang digunakan adalah tansig, dan purelin. Jumlah neuron yang digunakan adalah 5. Fungsi pelatihan yang diterapkan adalah trainlm. Struktur jaring yang digunakan pada pelatihan ini adalah terdiri dari tiga lapis (layer) yaitu: lapis masukan, lapis tersembunyi dan lapis keluaran Setelah dilakukan proses mapping, maka langkah selanjutnya adalah memasang RNN-AVR di sistem.

ISBN : 978-979-99735-9-7 A-29-5


Gambar 5. Grafik Respon Sudut.

Dari Gambar 5 didapatkan juga nilai overshoot sebagai berikut: Tabel 1. Data Overshoot Respon Sudut Konvensional

RNN-AVR

AVR 0,0375

0,035

Gambar 6. Grafik Respon Kecepatan.


RNN-AVR

AVR 0,0049

0,0047

ISBN : 978-979-99735-9-7 A-29-6


Gambar 7 Grafik Respon Tegangan Terminal


RNN-AVR

AVR 0,0016

0,0014

KESIMPULAN Berdasarkan sasaran dari penelitian ini, yang telah diuraikan pada pendahuluan dan berdasarkan hasil simulasi single mesin dengan mengaplikasikan Recurrent Neural Network-Automatic Voltage Regulator dapat disimpulkan sebagai berikut: 1. Keberhasilan dari desain Recurrent Neural Network-Automatic Voltage Regulator (RNN-AVR) sangat ditentukan oleh data dan proses learning yang benar. 2. RNN-AVR mampu memperbaiki performansi sistem generator ditempat RNNAVR terpasang. DAFTAR PUSTAKA Paul M. Anderson, A.A. Fouad, “Power System Control and stability,” IEEE Press Power system engineering series, 1993. H.Saadat,”Power System Analysis,” McGraw-Hill International Edition 1999. P.Kundur, “Power System Stability and Control,” McGrow-Hill, Inc, 1993. Mauridhi Hery P, Agus K,”Supervised Neural Networks,” Graha Ilmu, 2006.

ISBN : 978-979-99735-9-7 A-29-7

DESAIN RECURRENT NEURAL NETWORK - AUTOMATIC VOLTAGE REGULATOR PADA SISTEM SINGLE MESIN

Recommend Documents