Desain Wide Area Monitoring Pada Sistem Tenaga Listrik Menggunakan Least Square Support Vector Regression

1

Desain Wide Area Monitoring Pada Sistem Tenaga Listrik Menggunakan Least Square Support Vector Regression MUHAMMAD ABDILLAH1), ADI SOEPRIJANTO2), MAURIDHI HERY PURNOMO3) 1,2,3)

Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS, Keputih, Sukolilo, Surabaya, 60111 INDONESIA 1) [email protected], 2)[email protected], 3)[email protected] Abstrak: - Desain wide area monitoring (WAM) pada sistem tenaga listrik modern merupakan masalah penting dan menantang untuk enjiner teknik elektro dikarenakan sistem tenaga listrik modern adalah sistem interkoneksi yang sangat kompleks dan dinamis. Pada paper ini diusulkan desain WAM berbasis Least Square Support Vector Regression (LS-SVR). Sistem tenaga listrik dua area-empat generator di gunakan sebagai tes sistem untuk mengevaluasi performansi metode yang diusulkan. Sinyal input yang digunakan oleh WAM adalah input ke AVR ∆Vri, torsi mekanik ∆Tmi and torsi elektrik ∆Tei dari generator 1 dan 3. Output dari WAM untuk memprediksi deviasi kecepatan sudut generator 1 dan 3. WAM digunakan untuk memprediksi deviasi kecepatan sudut generator 1 dan 3 dikarenakan kedua generator tersebut menyebabkan osilasi inter-area pada sistem tenaga listrik dua area-empat generator. Kriteria mean square error (MSE), mean absolute error (MAE) dan sum squared error (SSE) digunakan untuk mengetahui keakuratan hasil prediksi metode yang diusulkan. Hasil simulasi menunjukkan bahwa metode yang diusulkan dapat memprediksi kecepatan sudut generator 1 dan 3 secara efektif dengan nilai MSE yang kecil. Kata Kunci: - Wide Area Monitoring, Least Square Support Vector Regression, Mean Square Error Abstract: - Design of wide area monitoring (WAM) in modern power system is important and challenge issues for electrical engineers since modern power system are highly complex interconnected systems and dynamic. This paper proposed a design of WAM based Least Square Support Vector Regression (LS-SVR). A two areafour generator power system is used as a test system for evaluating the performance of the proposed method. The input signals of WAM are input to the AVR ΔVri, mechanical torque ΔTmi and electrical torque ΔTei of generator 1 and 3. The output signals of WAM are used to predict the speed angles deviations of generator 1 and 3. WAM are used to predict the speed angle deviations of generator 1 and 3 due to both of them generate inter-area oscillations in a two-area four-generator power system. Mean square error (MSE), mean absolute error (MAE) and sum squared error (SSE) criterions are used to determine the accuracy of prediction results of proposed method. Simulation results show that the proposed method can effectively predict the speed angle deviation of generator 1 and 3 with a small MSE value. Key-Words: - Wide Area Monitoring, Least Square Support Vector Regression, Mean Square Error

1 Pendahuluan Sistem tenaga listrik merupakan salah satu sistem skala besar yang penting, kompleks dan dinamik. Hal tersebut dikarenakan perkembangan permintaan beban listrik dan konfigurasi sistem tenaga listrik yang berubah secara kontinyu seiring pertumbuhan penduduk yang sangat cepat. Sistem tenaga listrik harus tetap beroperasi untuk mengirimkan daya listrik hingga ke konsumen secara kontinyu dalam keadaan stabil dan handal. Untuk menjaga sisem tenaga listrik tetap dalam keadaan stabil dan handal maka diperlukan sebuah sistem monitoring yang dapat memonitor secara kontinyu perilaku dinamik sistem

tenaga listrik tersebut. Wide area monitoring (WAM) merupakan sebuah sistem yang dapat didesain untuk memonitor sistem tenaga listrik skala besar. Dengan meningkatnya ketersediaan teknologi komputer, komunikasi dan pengukuran (sebagai contoh adalah phasor measurement units (PMU) berbasis sistem global positioning satellite (GPS), maka sangat memungkinkan untuk mengembangkan teknologi WAM pada sistem tenaga listrik [1]. Dengan aplikasi teknologi WAM, sinyal yang diukur di lokasi terpencil akan tersedia dalam kontrol terpusat [2, 3]. WAM akan menerima informasi/data dari daerah yang berbeda dalam sistem tenaga listrik berdasarkan

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

2

Gambar 1. Model sistem tenaga listrik dua area-empat generator [9] pada beberapa fungsi tujuan yang telah ditetapkan untuk memonitor sistem tenaga listrik. Mendesain WAM membutuhkan pengetahuan tentang dinamika sistem tenaga listrik secara keseluruhan bagi desainer. Hal ini dikarenakan sistem tenaga listrik adalah skala besar, stokastik, dan kompleks. Metode matematika yang standar tidaklah cukup untuk mendesain sebuah WAM. Masalah ini dapat diatasi dengan menggunakan pendekatan alternatif yaitu desain WAM berbasis teknik kecerdasan buatan. Teknik kecerdasan buatan saat ini telah banyak berkembang pesat dan telah diaplikasikan sebagai Wide area monitoring (WAM) diantaranya adalah Artificial Neural Network (ANN) [4], Radial Basis Function Neural Network [5], dan Cellular Neural Network [6]. Metode least square support vector machine for regression (LS-SVR) merupakan versi least square dari support vector regression (SVR) yang digunakan untuk klasifikasi dan analisis regresi. Dalam versi ini sebuah solusi diselesaikan menggunakan persamaan linear daripada permasalahan convex quadratic programming (QP) untuk SVR standar. LS-SVR, diusulkan oleh Suykens dan Vandewalle pada tahun 1999 [7]. LS-SVR merupakan metode pembelajaran berbasis kernel. Metode least square support vector machine (LSSVR) merupakan salah satu alternatif pilihan yang sangat bagus digunakan sebagai wide area monitoring (WAM). LS-SVR merupakan pengembangan dari metode SVR. Kinerja LS-SVR

lebih baik dibandingkan SVR standar dalam hal proses perhitungan dan tingkat presisi yang tinggi [8]. Paper ini mempresentasikan sebuah desain WAM berbasis LS-SVR untuk sistem tenaga listrik dua area-empat generator. WAM digunakan untuk memprediksi deviasi kecepatan sudut rotor dari generator di dua area yakni Generator 1 dan Generator 3. Paper ini di organisasikan sebagai berikut, Pada bab 2 sebuah ikhtisar dari pemodelan sistem tenaga listrik dan wide area monitoring di diskusikan. Metode yang diusulkan yakni least square support vector regression (LS-SVR) di paparkan pada bab 3. Pada bab 4 di jelaskan tentang implementasi metode yang diusulkan pada sistem. Hasil simulasi dan analisis dari metode yang diusulkan di sajikan pada bab 5. Bab terakhir adalah kesimpulan

2 Model Sistem Tenaga listrik dan Wide Area Monitoring Sebuah ikhtisar dari pemodelan sistem tenaga listrik dan wide area monitoring dijelaskan pada bagian ini.

2.1 Model Sistem Tenaga Listrik Model linear dinamik adalah model sistem tenaga listrik yang digunakan pada penelitian ini. Model tersebut digunakan untuk menganalisis perilaku sistem akibat gangguan kecil. Model linear dinamik sistem tenaga listrik yang di gunakan pada penelitian ini adalah Kundur Power

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

3

Gambar 2. Model sistem tenaga listrik dua area-empat generator dilengkapi with wide area monitoring

Gambar 3. Diagram blok wide area monitoring System [9] yang ditunjukkan pada Gambar 1 terdiri dari dua area yang simetris dan masing-masing area di suplai oleh 2 generator yang terhubung jaring double circuit dengan 230kV dan berjarak 220 km. Generator Thermal digunakan pada sistem ini dengan rating 20kV/900MVA dan terhubung ke jaring sistem tenaga listrik melalui trafo. Generator yang terdapat

pada semua area memiliki parameter yang sama, kecuali untuk nilai inersia H = 6.5s untuk semua generator di Area 1 dan H = 6.175s untuk semua generator di Area 2. Beban pada sistem di asumsikan sebagai impedansi konstan.

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

4 Desain sebuah WAM untuk sistem tenaga listrik pada saat ini sangat memungkinkan dikarenakan berkembangnya komputer modern, komunikasi dan teknologi informasi dengan pesat dan dapat diintegrasikan satu sama lain. Tujuan dari penggunaan WAM pada sistem tenaga listrik adalah untuk mengidentifikasi terjadinya gangguan yang terjadi pada sistem teanaga listrik. Pada paper ini desain wide area monitoring (WAM) untuk sistem tenaga listrik dua area berbasis LS-SVR. Sinyal input WAM adalah input ke AVR [∆Vr1(k-1), ∆Vr1(k-2), ∆Vr1(k-3), ∆Vr3(k-1), ∆Vr3(k-2), ∆Vr3(k-3)], torsi mekanik [∆Tm1(k-1), ∆Tm1(k-2), ∆Tm1(k-3), ∆Tm3(k-1), ∆Tm3(k-2), ∆Tm3(k-3)], dan torsi elektrik [∆Te1(k-1), ∆Te1(k-2), ∆Te1(k-3), ∆Te3(k-1), ∆Te3(k-2), ∆Te3(k-3)] dari generator 1 dan 3 di area 1 dan area 2. Sinyal output dari WAM adalah hasil identifikasi terhadap perubahan kecepatan sudut generator pada sistem, yang disebut [ ˆ1 ( k ), ˆ 3 ( k )] . Target pelatihan WAM adalah perubahan kecepatan sudut generator [ 1 ( k ), 3 ( k )] pada sistem. Sistem tenaga listrik dua area yang digunakan pada penelitian ini ditunjukkan pada Gambar 2. Sedangkan diagram blok untuk input dan output WAM berbasis LS-SVR terhubung ke sistem selama proses pelatihan ditunjukkan pada Gambar 3. Sinyalsinyal ini diaplikasikan pada WAM setiap 10 ms, agar sesuai dengan teknologi Phasor Measurement Unit (PMU).

3 Least Squares Support Vector Regression (LS-SVR) Least squares support vector regression (LS-SVR) adalah pengembangan metode SVR standar yang mengarah pada pemecahan linear sistem KarushKuhn-Tucker (KKT). Dalam formulasi LS-SVR, perhitungan komputasi dari SVR yang disederhanakan dengan versi least squares dibandingkan inequality constraints dan fungsi objektif penjumlahan kesalahan kuadrat (squared error) yang digunakan dalam pelatihan jaring saraf tiruan. Pengembangan ini dapat menyederhanakan masalah dalam menyelesaikan satu set persamaan linear dibandingkan menggunakan pemrograman kuadratik (quadratic programming) dalam metode SVR. Diberikan sejumlah N data

y ( x)  w  ( x)  b  ei T

2.2 Wide Area Monitoring

xi , yi i 1 , dan output

dari LS-SVR adalah sebagai berikut,

N

(1) nh

dengan x  R n , y  R dan  (.) : R  R adalah pemetaan ke dimensi ruang fitur tinggi.Masalah optimisasi berikut ini dirumuskan sebagai berikut, n

min j ( w, e)  w,b,e

1 2

w w T

1

N

2

(2)

 ei

2 i 1

dengan yi  w  ( xi )  b  ei , i  1,..., N Menggunakan aplikasi teori Mercer untuk matriks kernel Ω dengan T ij  K ( xi , x j )   ( xi )  ( x j ), i dan j= 1,…, N (3) T

tidak diperlukan menghitung secara eksplisit pemetaan nonlinier  (.) seperti ini dilakukan secara implisit melalui penggunaan fungsi kernel positif definit K. Fungsi Lagrange, LLS  SVR   ( w, b, e,  )  N

1 2

w w  T

1

N

2

 ei

2 i 1

(4)

   i ( w  ( xi )  b  ei  yi ) T

i 1

dengan  i adalah pengali lagrange, menurunkan persamaan (4) dengan w,b,ei, dan  i untuk kondisi optimal dapat digambarkan sebagai berikut, N d   0  w    i ( xi )  i 1 dw  N d   0    i  0 i 1 db   d  0   i   ei , i  1, ..., N  dei   d T  d   0  yi  w  ( xi )  b  ei , i  1,..., N  i

(5)

dengan mengeliminasi w dan ei didapatkan sistem linear sebagai berikut

 0 1T   b  0   y    1I       y      

(6)

dengan y=[y1,…,yN]T,   [ 1 ,...,  N ] . Hasil model LS-SVR dalam ruang ganda menjadi, T

N

y ( x )    i K ( x, xi )  b i 1

(7)

Untuk penelitian ini, Kernel RBF digunakan dinyatakan sebagai berikut, K ( x, xi )  e

x  xi 2

2

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

(8)

5

4 Implementasi Squares Support Vector Regression (LS-SVR) sebagai Wide Area Monitoring Dalam bagian ini dipaparkan Least squares support vector regression (LS-SVR) sebagai wide area monitoring pada sistem tenaga listrik. Flowchart dari aplikasi LS-SVR sebagai wide area monitoring pada sistem tenaga listrik dua area-empat generator seperti ditunjukkan pada Gambar 4.

aliran daya, reduksi matriks admitansi jaring dan parameter dinamik mesin digunakan sebagai data model linear multimesin. 3. Pemilihan parameter LS-SVR sebagai WAM dengan metode trial and error. 4. Parameter LS-SVR yang telah didapatkan selama forced training kemudian ditetapkan dan di lakukan tahap testing dengan gangguan alami yang terjadi pada sistem tenaga listrik.

5 Hasil dan Analisis Data simulasi, hasil simulasi dan analisis di paparkan dalam bagian ini sebagaimana berikut: 5.1 Data Simulasi Simulasi pada penelitian ini dilakukan menggunakan PC Pentium Intel (R) Core (TM) CPU I3 380M @ 2.5 GHz RAM 2.00 GB. Evaluasi perfromansi dan keakuratan dari metode yang diusulkan merupakan tujuan dari simulasi yang dilakukan. Software MATLAB digunakan untuk simulasi dan analisis pada paper ini. Untuk mengevaluasi performansi WAM berbasis LS-SVR yang diusulkan, sistem tenaga listrik dua area-empat generator (kundur’s two area power system) pada Gambar 1 digunakan untuk verifikasi metode yang diusulkan. Sedangkan Data yang digunakan pada sistem tersebut yang meliputi data parameter mesin, governor, sistem eksitasi, trafo dan beban pada penelitian ini ditunjukkan pada Tabel 1 s/d Tabel 6. Tabel 1. Data Parameter Mesin Pembangkit

Jenis

Lokasi

G1 G2 G3 G4

Swing Generator Generator Generator

Bus 1 Bus 2 Bus 3 Bus 4

Daya Pembangkit S(MVA) 900 900 900 900

Tabel 2. Parameter Dinamik Mesin Gambar 4. Flowchart aplikasi LS-SVR sebagai WAM Langkah-langkah metode yang diusulkan dari Gambar 4, adalah sebagai berikut: 1. Input data parameter dari generator, jaring transmisi, dan beban untuk simulasi, desain kontroler dan analisis; 2. Dilakukan perhitungan aliran daya (loadflow) yang dilanjutkan dengan proses reduksi matriks admitansi jaring. Hasil perhitungan

Pembangkit G1 G2 G3 G4

Xd 1.8 1.8 1.8 1.8

Xd’ 0.3 0.3 0.3 0.3

Xd’’ 0.25 0.25 0.25 0.25

Xq 1.7 1.7 1.7 1.7

Xq’ 0.55 0.55 0.55 0.55

Xq’’ 0.25 0.25 0.25 0.25

Tabel 3. Parameter Governor dan Sistem Eksitasi Pembangkit G1 G2 G3 G4

H (det) 6.5 6.5 6.175 6.175

Kg (p.u) 20 20 20 20

Tg (p.u) 2 2 2 2

KA (p.u) 200 200 200 200

TA (det) 0.1 0.1 0.1 0.1

Tdo (det) 8 8 8 8

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

6

Vref

Vt

1 1  TR s

VR max E fd

KA 1  TA s

VR min Gambar 5. Diagram blok model fast exciter dengan PRBS Tabel 4. Parameter Data Saluran

5.2.1 Forced Training

Saluran Bus 5-Bus 6 Bus 6-Bus 7 Bus 7-Bus 8 Bus 8-Bus 9 Bus 9-Bus 10 Bus 10-Bus 11

Pada saat tahap ini, sistem diganggu dengan injeksi sinyal kecil PRBS (Pseudorandom binary signa1) [∆Vr1(k-1), ∆Vr1(k-2), ∆Vr1(k-3), ∆Vr3(k-3), ∆Vr3(k-2), ∆Vr3(k-3)] pada Generator G1, dan G3 untuk melatih WAM dengan saklar S1 terhubung yang menyebabkan deviasi kecepatan rotor pada Generator di masing-masing area. PSS pada Generator 1 dan 3 dengan saklar S2 juga terhubung saat tahap pelatihan ini. Pada Gambar 5 ditunjukkan diagram blok sistem eksitasi yang dilengkapi dengan PRBS. Nilai PRBS adalah 10% sesuai batas untuk masukan ke sistem eksitasi. Nilai PRBS yang diaplikasikan pada Generator 1 dan Generator 3 di tunjukkan pada Gambar 6 dan 7. Ketika telah didapatkan parameter LS-SVR yang sesuai, PRBS di lepas dan forced training di hentikan.

R+JX(p.u) 0.0001+j0.001 0.0001+j0.001 0.0001+j0.001 0.0001+j0.001 0.0001+j0.001 0.0001+j0.001

Jarak(Km) 25 10 110 110 10 25

Tabel 5. Trafo Transformator Trafo 1-Trafo 4

R+JX(p.u) 0.0+j0.15

Tabel 6. Beban No

Lokasi

Beban

1 2

Bus 7 Bus 9

L1 L2

P(MW) 967 1767

Daya Q(MVAR) 187 187

Kriteria mean square error (MSE), mean absolute error (MAE) dan sum squared error (SSE) digunakan untuk mengetahui tingkat keakuratan WAM berbasis LS-SVR sebagaimana ditunjukkan pada Persamaan (9), Persamaan (10) dan Persamaan (11),

MSE  MAE 

1 N 1

N

 (ˆ i ( k )  i ( k ))

2

i 1 N

 ˆ i (t )  i (t )

N i 1 1 N SSE   ˆi (t )i (t ) N i 1

(9)

(10) (11)

5.2 Hasil Simulasi dan Analisis Proses yang dilakukan untuk desain WAM pada penelitian ini terdiri dari dua tahap pelatihan yaitu: forced training dan testing. Pseudo Random Binary Squence (PRBS) diaplikasikan pada sistem eksitasi generator saat dilakukan forced training pada WAM, sedangkan testing dilakukan saat WAM diberi gangguan secara alami seperti perubahan beban, dan lain-lain.

Deviasi tegangan Vr1 diaplikasikan pada Generator 1 (p.u)

No 1 2 3 4 5 6

0.15

0.1

0.05

0

-0.05

-0.1

-0.15

-0.2

0

0.5

1 Waktu(Detik)

Gambar 6. Sinyal PRBS ∆Vr1 diaplikasikan pada G1saat tahap forced training

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

1.5

Deviasi tegangan Vr3 diaplikasikan pada Generator 3 (p.u)

7 Deviasi kecepatan rotor aktual dan estimasi kecepatan rotor yang di prediksi oleh WAM berbasis LS-SVR untuk Generator 1 dan Generator 3 ditunjukkan pada Gambar 8 dan 9. Dari Gambar 8 dan 9 terlihat jelas bahwa WAM berbasis LS-SVR mampu memperkirakan penyimpangan kecepatan rotor dari G1 dan G3 sangat baik. Ini menunjukkan bahwa WAM telah mempelajari dinamika sistem dengan baik.

0.15 0.1 0.05 0 -0.05 -0.1

Tabel 7. MSE, MAE, SSE -0.15 -0.2

LS-SVR 0

0.5

1

MSE MAE SSE

1.5

Waktu(Detik)

Gambar 7. Sinyal PRBS ∆Vr3 diaplikasikan pada G3saat tahap forced training

2.7462e-009 3.6847e-005 1.6483e-005

Tabel 8. Parameter LS-SVR

Estimasi kecepatan sudut rotor G1

LS-SVR

Dev ias i k ec epatan s udut rotor G 1 (p.u)

0.01 Aktual LS-SVR

0

-0.005

5.2.2 Testing

-0.01

0

5

10

15 Waktu(Detik)

20

25

30

Gambar 8. Deviasi kecepatan sudut rotor G1and WAM selama tahap forced training Estimasi kecepatan sudut rotor G3 0.015

Parameter LS-SVR yang digunakan pada tahap testing adalah parameter LS-SVR yang diperoleh saat forced training ketika saklar S1 pada Gambar 5 dihubungkan. Pada tahap ini PRBS yang terhubung melalui saklar S1 di buka. Gangguan alami sebesar 0.03 p.u diterapkan ke sistem tenaga listrik dua area pada tahap ini dengan tujuan untuk mengevaluasi kinerja dari WAM berbasis LS-SVR.

Aktual LS-SVR

-3

1

Estimasi kecepatan sudut rotor G1

x 10

0.01 Deviasi kecepatan sudut rotor G1 (p.u)

D ev ias i k ec epatan s udut rotor G 3 (p.u)

1000 5

Berdasarkan Tabel 7 dapat diketahui bahwa metode LS-SVR memiliki nilai MSE sebesar 2.7462e-009, MAE sebesar 3.6847e-005 dan SSE sebesar 1.6483e-005 lebih kecil dibandingkan dengan metode LS-SVR. Parameter yang digunakan oleh LSSVR ditunjukkan pada Tabel 8.

0.005

-0.015

γ σ

0.005

0

-0.005

-0.01

Aktual LS-SVR 0.5

0

-0.5

-1

-1.5

-2

-0.015

0

5

10

15 Waktu(Detik)

20

25

30

Gambar 9. Deviasi kecepatan sudut rotor G3 and WAM selama tahap forced training

0

5

10

15 Waktu(Detik)

20

25

30

Gambar 10. Deviasi dari kecepatan sudut rotor G1 dan WAM selama diberi gangguan

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

8 -4

Deviasi kecepatan sudut rotor G3 (p.u)

2

memprediksi deviasi kecepatan sudut rotor dari dua generator di dua area yang berbeda. Hasil simulasi menunjukkan bahwa desain yang diusulkan sangat menjanjikan untuk memprediksi perilaku dinamik multimesin pada sistem tenaga listrik dari waktu ke waktu bahkan ketika terjadi perubahan konfigurasi pada sistem tenaga listrik.

Estimasi kecepatan sudut rotor G3

x 10

Aktual LS-SVR 1

0

-1

-2

-3

-4

0

5

10

15 Waktu(Detik)

20

25

30

Gambar 11. Deviasi dari kecepatan sudut rotor G3 dan WAM selama diberi gangguan Tabel 9. MSE, MAE, SSE LS-SVR MSE MAE SSE

1.0898e-012 6.3719e-007 6.5410e-009

Hasil simulasi secara keseluruhan dari Gambar 8 – Gambar 11 menunjukkan bahwa WAM berbasis LS-SVR mampu memprediksi deviasi kecepatan sudut rotor dari generator G1 dan G3 dengan perubahan yang terjadi sebesar 0.03 pu pada sistem tenaga listrik dua area, menyiratkan bahwa forced training dan testing dilakukan dengan PRBS cukup untuk melihat semua kemungkinan dinamika sistem pada sistem tenaga listrik. Pada Tabel 9 dapat dilihat bahwa metode LSSVR memiliki nilai MSE sebesar 1.0898e-012, MAE sebesar 6.3719e-007 dan SSE sebesar 6.5410e-009. Dari ketiga kriteria yang digunakan tersebut dapat diketahui bahwa nilainya kecil dan menunjukkan bahwa WAM berbasis LS-SVR mampu memprediksi deviasi kecepatan sudut rotor kedua generator dengan baik.

6 Kesimpulan Metode baru untuk desain wide area monitoring berbasis least square support vector regression pada sistem tenaga listrik telah diusulkan pada paper ini. Wide area monitoring berbasis least square support vector regression telah berhasil dikembangkan untuk

Referensi: [1] M. Begovic, D. Novosel, D. Karlsson, C. Henville, and G. Michel, “Wide-area protection and emergency control,” Proceedings of the IEEE, May 2005; 93(5), 876-891. [2] X. Xie et al, “WAMS application in chinese power system”, IEEE Power and Energy Magazine , January 2006; 54–63. [3] C. Decker, D. Dotta, M. N. Agostini, S. L. Zimath, and A. S.Silva. “Performance of a synchronized phasor measurements system in the Brazilian power system”. In IEEE Power System Society General Meeting, Montreal, Canada, 2006. [4] Xiaomeng Li, Ganesh K. Venayagamoorthy, “A Neural Network Based Wide Area Monitor for a Power System”, Power Engineering Society General Meeting, 2005; 2, 1455–1460. [5] Wei Qiao, Ganesh K. Venayagamoorthy, and Ronald G. Harley, “DHP-Based Wide-Area Coordinating Control of a Power System with a Large Wind Farm and Multiple FACTS Devices”, Proceedings of International Joint Conference on Neural Networks, Orlando, Florida, USA, August 12-17, 2007; 2093–2098. [6] Bipul Luitel, Ganesh K. Venayagamoorthy, “Wide area monitoring in power systems using cellular neural networks”, IEEE Symposium on Computational Intelligence Applications In Smart Grid (CIASG), 2011; 1-8. [7] Suykens, J.A.K.; Vandewalle, J, "Least squares support vector machine classifiers", Neural Processing Letters, 1999; 9 (3), 293-300. [8] Suykens, J. A. K., Van Gestel, T., De Brabanter, J., De Moor, B., & Vandewalle, J., Least squares support vector machines, World Scientific, 2002. [9] P. Kundur, Power system stability and control, McGraw-Hill, ISBN 0-07-0355958-X, 1994; 813

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306