Agung Yanuar W 2210 105 025
Prof. Dr. Ir. Adi Soeprijanto.MT, I Gusti Ngurah Satriyadi Hernanda,ST.,MT.
Pendahuluan
Latar Belakang Semakin meningkatnya kebutuhan energi listrik
membuat kontinyuitas penyediaan tenaga listrik
menjadi tuntutan yang semakin besar dari konsumen tenaga listrik. Oleh karena itu, maka dituntut adanya suatu sistem tenaga listrik yang handal Penggunaan berbagai macam metode simulasi untuk mendapatkan keandalan suatu sistem distribusi, memiliki beberapa keuntungan antara lain dapat diketahui metode mana yang lebih baik dan efektif.
Tujuan Tujuan yang dicapai dalam mengerjakan Tugas
Akhir ini adalah untuk menganalisa data kegagalan sistem distribusi, dan untuk mengetahui indek keandalan dari sistem yang dievaluasi.
Teori Penunjang
Latin Hypercube Sampling Latin Hypercube Sampling adalah nilai rata-rata hasil
penggabungan antara stratified sampling dan sampel acak. Stratified sampling adalah cara pengambilan sampel dengan memperhatikan strata (tingkatan) didalam populasi. Dalam stratified sampling, data yang digunakan dikelompokan kedalam tingkat-tingkatan tertentu.
Latin Hypercube Sampling 1. 2. 3.
4. 5. 6.
Menentukan ukuran ‘sample’ n Menentukan standar deviasi sistem yang akan dievaluasi Pembangkitan sampel acak Pembangkitan stratified sampling Penggabungan antara stratified sampling dan sampel acak Nilai rata-rata sampel
SIMULASI MONTE CARLO DALAM ANALISA KEANDALAN SISTEM DISTRIBUSI 1) 2) 3) 4) 5) 6)
7) 8) 9) 10) 11)
Memasukkan nilai dari laju kegagalan (λ) dan MTTR sistem Menentukan nilai laju perbaikan (µ) dari masing-masing peralatan. Menentukan matrik hubung, yaitu sebuah matrik yang memiliki arti hubungan antar peralatan yang ada pada sistem. Melakukan Metode LHS, untuk mendapatkan nilai (λ) dan (µ) baru. Melakukan simulasi selama satu tahun. membangkitkan bilangan acak kemudian menentukan nilai keandalan suatu peralatan persatuan waktu. Melakukan peangacakan peralatan, yang menentukan peralatan mana yang dianalisa. Membandingkan antara nilai dari keandalan peralatan dengan bilangan acak Menghitung jumlah kegagalan, dan berapa lama waktu tersebut gagal dengan mempertimbangkan hubungan antar peralatan. Melakukan metode LHS, untuk mendapatkan jumlah kegagalan yang baru. Langkah (4) sampai (8) dilakukan selama waktu iterasi kemudian dianalisa hasilnya untuk menentukan nilai SAIDI dan SAIFI.
Indeks Keandalan SAIFI Indeks keandalan, hasil pengukuran frekuensi kegagalan rata-rata tiap konsumen dalam suatu daerah yang dievaluasi.
SAIDI Indeks keandalan, hasil pengukuran durasi gangguan sistem ratarata tiap konsumen dalam suatu daerah yang dievaluasi.
CAIDI Indeks ini berisi tentang waktu rata-rata penormalan sistem ketika terjadi gangguan pada setiap konsumen dalam satu tahun.
SAIFI
dengan: λ= laju kegagalan penyulang Mi= jumlah pelanggan pada penyulang
SAIDI
dengan: μ = laju perbaikan penyulang Mi= jumlah pelanggan pada setiap penyulang
CAIDI
dengan: μ = laju perbaikan penyulang λ= laju kegagalan penyulang Mi= jumlah pelanggan pada setiap penyulang
Analisa Data
PT. PLN Area Surabaya APJ Surabaya Barat GI Babadan GI Karang pilang
GI Krian GI Waru 1
APJ Surabaya Selatan GI Ngagel
GI Waru
GI Rungkut
GI Wonokromo
GI Sukolilo
GI Wonorejo
GI Tandes
APJ Surabaya Utara GI Kenjeran GI Kupang GI Krembangan
GI Simpang
GI Sawahan GI Undaan GI Ujung Baru
Jumlah Pelanggan
Pelanggan per-Penyulang: APJ Surabaya Barat: 4296 pelanggan (42 penyulang) APJ Surabaya Selatan: 2861 pelanggan (98 penyulang) APJ Surabaya Utara: 5494 pelanggan (77 penyulang)
Standart WCS GAP Analysis
Indeks Keandalan Simulasi Latin Hypercube Sampling Data GI Sukolilo (APJ Surabaya Selatan)
Single Line GI Sukolilo
Indeks Keandalan Simulasi Latin Hypercube Sampling Gardu Induk Sukolilo Iterasi (N)
Elapsed Time SAIFI SAIDI (Second) (kali/tahun) (jam/tahun)
CAIDI (jam)
1000
16.581
1.125
0.352
0.31
5000
77.071
1.125
0.350
0.32
10000
120.308
1.120
0.350
0.31
15000
184.968
1.122
0.350
0.31
Grafik SAIFI dan SAIDI GI Sukolilo (LHS)
Indeks Keandalan Simulasi Monte Carlo Gardu Induk Sukolilo Iterasi Elapsed Time SAIFI SAIDI (N) (Second) (kali/tahun) (jam/tahun)
CAIDI (jam)
1000
3.950
1.057
0.339
0.32
5000
16.364
1.058
0.339
0.32
10000
35.604
1.059
0.338
0.31
15000
48.325
1.055
0.338
0.32
Grafik SAIFI dan SAIDI GI Sukolilo (MC)
Perbedaan LHS dan MC SAIFI GI Sukolilo LHS
SAIFI GI Sukolilo MC
Indeks Keandalan APJ Area Surabaya Menggunakan Metode Simulasi LHS
APJ Surabaya Selatan: GARDU INDUK
Standar WCS GI Ngagel GI Wonorejo GI Waru GI Tandes GI Sukolilo GI Wonokromo GI Rungkut
INDEKS KEANDALAN SAIFI SAIDI CAIDI (kali/cust) (menit/cust) (menit)
3 4.019 10.545 3.053 5.382 1.125 2.846 1.699
100 26 151.6 109.7 12.6 21.1 34.7 35.4
33.3 6.6 14.37 35.9 2.4 18.75 12 21
APJ Surabaya Barat: GARDU INDUK
INDEKS KEANDALAN SAIFI SAIDI CAIDI (kali/cust) (menit/cust) (menit)
Standar WCS GI Babadan GI Karang pilang GI Krian GI Waru 1
3 2.617 2.066 4.427 7.453
100 34.3 109 13.9 336.5
33.3 13.2 52.7 3.1 44.8
APJ Surabaya Utara: GARDU INDUK Standar WCS GI Kupang GI Kenjeran GI Krembangan GI Sawahan GI Simpang GI Undaan GI Ujung Baru
INDEKS KEANDALAN SAIFI SAIDI CAIDI (kali/cust) (menit/cust) (menit) 3 2.839 1.909 1.000 1.155 1.156 2.447 2.127
100 111.2 15.8 2.3 2.8 32.2 2.1 0.2
33.3 39 8.4 2.3 2.4 27.6 0.84 0.06
APJ
INDEKS KEANDALAN SAIFI
SAIDI
3
100
Surabaya Barat
4.135
123.4
Surabaya Selatan
4.002
55.9
Surabaya Utara
1.805
23.8
Standar WCS
> standar WCS
Perbandingan Indeks Keandalan LHS
APJ
LHS
Surabaya Barat Surabaya Selatan
data 2.99 3.05
SAIFI sim 4.135 4.002
error 38.29 31.21
Surabaya Utara
2.91
1.805
37.97
data 79.44 79.3
SAIDI sim 123.4 55.9
error 55.33 29.51
70.9
23.8
66.43
Kesimpulan Ada beberapa Gardu Induk yang memiliki nilai SAIFI
dan SAIDI diluar standar WCS antara lain; GI Krian, GI Waru, GI Ngagel, GI Wonorejo, GI Tandes, dan GI Kupang. APJ Surabaya Barat dan Selatan memiliki nilai SAIFI dan SAIDI diluar standart WCS, sehingga dapat dikatakan APJ Surabaya Barat dan Selatan kurang handal jika dibandingkan dengan APJ Surabaya Utara. Prosentase kesalahan metode LHS, untuk nilai SAIFI <40%, sedangkan SAIDI <70%. Dalam mencapai hasil yang optimal, metode simulasi Latin Hypercube Sampling memerlukan <30% iterasi Monte Carlo.
TERIMA KASIH
