JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
1
Emission dan Economic Dispatch pada Sistem Kelistrikan Micro Grid menggunakan Multiobjective Genetic Algorithm Optimization Primaditya Sulistijono, Ontoseno Penangsang, dan Rony Seto Wibowo Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected] Abstrak—Kebutuhan daya listrik saat ini meningkat pesat seiring dengan perkembangan teknologi. Peningkatan kebutuhan daya listrik ini bertolak belakang dengan menipisnya ketersediaan sumber energi minyak dan batu bara. Permasalahan ini berdampak pada ketahanan listrik nasional. Untuk memenuhi kebutuhan daya listrik yang besar dengan cakupan wilayah yang luas diperlukan pembangkit-pembangkit tersebar berskala kecil. Pembangkit tersebar ini diupayakan bersumber pada energi terbarukan untuk meminimalkan pemakaian dari sumber energi minyak dan batu bara lalu dihubungkan ke grid utama PLN melalui Micro Grid. Oleh karena banyaknya pembangkit tersebar ini maka penting untuk menentukan besarnya pembangkitan daya listrik yang optimal dari masing-masing pembangkitnya sehingga kebutuhan daya listrik dapat dipenuhi dengan biaya dan emisi yang minimal. Optimisasi ini dikenal dengan istilah Emission dan Economic Dispatch. Optimisasi ini sudah banyak dilakukan dengan berbagai macam metode Artificial Intelligence. Pada tugas akhir ini, metode Artificial Intelligence yang diaplikasikan yakni Multiobjective Genetic Algorithm. Metode ini diterapkan pada software Matlab. Kata Kunci—Emission/Economic Dispatch, Algorithm, Micro Grid, Multiobjective Optimization.
T
Genetic
I. PENDAHULUAN
ENAGA listrik merupakan salah satu kebutuhan yang sangat penting dalam kehidupan manusia. Permintaan daya listrik yang terus bertambah menyebabkan daya listrik yang harus disuplai oleh pembangkit menjadi sangat besar. Sumber energi yang dapat diperbaharui serta ekonomis adalah faktor penentu perkembangan industri yang bisa meningkatkan standar hidup masyarakat. Sejak revolusi industri, kebutuhan energi listrik meningkat tajam [1]. Sebagai bentuk yang baik dalam membangkitkan daya yang besar dengan cakupan wilayah yang luas, sistem pembangkitan tersebar menjadi penting untuk memenuhi permintaan beban, menaikkan keandalan, dan sebagainya. Economic dispatch (ED) merupakan hal penting dalam kontrol dan operasi pada sistem tenaga [2]. Fungsi utama dari ED adalah untuk menjadwalkan pembangkitan dari setiap pembangkit yang beroperasi untuk dapat memenuhi kebutuhan beban pada biaya pembangkitan paling minimal [3]. Beberapa sumber energi listrik yang dimodelkan yaitu turbin angin, turbin mikro, generator diesel, sel surya, dan sel bahan bakar. Beberapa dari sumber ini adalah energi terbarukan seperti turbin angin dan sel surya sehingga masukan bahan bakar hanya diperlukan untuk sumber generator diesel, sel bahan bakar, dan turbin mikro [4].
Untuk memenuhi permintaan beban, energi listrik dapat dihasilkan secara langsung oleh sumber-sumber energi listrik diatas. Sumber-sumber energi listrik ini diintegrasikan ke grid utama melalui sistem Micro Grid. Masing-masing komponen dalam sistem Micro Grid dimodelkan terpisah sesuai dengan karakteristik dan konstrainnya. Grid Utama menyeimbangkan perbedaan antara kebutuhan beban dan keluaran generator dari sumber mikro. Maka, ada biaya pengeluaran untuk membeli energi listrik ketika sumber mikro kekurangan dalam memenuhi kebutuhan beban. Di lain sisi, ada pemasukan dari penjualan energi listrik ketika sumber mikro menghasilkan energi listrik lebih besar dari kebutuhan beban tetapi tarif dari penjualan energi listrik lebih kecil daripada tarif pembeliannya. Ada kemungkinan apabila tidak ada energi listrik yang terjual sama sekali [5]. Selain dari biaya operasi, faktor yang sangat penting untuk dianalisis yaitu emisi terhadap lingkungan. Pembangkit yang bukan bersumber pada energi terbarukan masih memerlukan bahan bakar minyak dan batu bara untuk beroperasi. Sehingga berdampak pada pencemaran lingkungan khususnya pada atmosfer. Polusi sulphur oxides (SO2), carbon oxides (CO2), dan nitrogen oxides (NOX) pada atmosfer harus diminimalkan karena berbahaya [6]. Maka dari itu, penting untuk menentukan pembangkitan daya listrik dengan biaya dan emisi yang minimal dari masing-masing pembangkit tersebar dalam sistem Micro Grid. II. SISTEM KELISTRIKAN MICRO GRID A. Model Operasi Sistem Micro Grid Model operasi sistem Micro Grid yang dipakai adalah grid-connected. Dengan tipe operasi ini, PLN diintegrasikan kedalam sistem Micro Grid sehingga pembangkit tersebar yang terpasang tidak secara mandiri menanggung semua beban dalam sistem. Beberapa sumber energi listrik yang dimodelkan dalam sistem Micro Grid ini yaitu turbin angin, turbin mikro, generator diesel, sel surya, dan sel bahan bakar seperti pada gambar 1. Beberapa dari sumber energi listrik ini merupakan energi terbarukan seperti turbin angin dan sel surya.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
2 E. Turbin Mikro Dalam penelitian ini, digunakan 30 kW Capstone C30 Micro Turbine. Model turbin mikro ini mirip dengan sel bahan bakar. Namun, parameternya dimodifikasi untuk menggambarkan performansi real-nya. Biaya operasi untuk turbin mikro ditunjukkan pada persamaan 4 [7]:
Gambar. 1. Sistem Kelistrikan Micro Grid
B. Turbin Angin Dalam penelitian ini, digunakan turbin angin AIR403. Didapatkan persamaan seperti yang ditunjukkan pada persamaan 1 [7]:
Vac Vci
PWT 0,
PWT aV 2ac bVac c, PWT ,r 130,
Vci Vac Vr Vr Vac Vco
PWT J PWT
(1)
dimana PWT,r, Vci, dan Vco adalah rating daya, kecepatan angin cut-in dan cut-out. Sedangkan Vr dan Vac adalah kecepatan angin rating dan aktual. J adalah jumlah turbin angin terpasang. Parameter yang digunakan adalah sebagai berikut: a = 3.4; b = -12; c = 9.2; PWT,r = 130 watt; Vci = 3.5 m/s; Vco = 18 m/s; Vr = 17.5 m/s. C. Sel Surya Daya keluaran dari modul sel surya dapat dihitung dengan persamaan 2 [7]:
G PPV M PSTC ING (1 k TC Tr ) GSTC
(2)
dimana PPV adalah daya keluaran dari modul saat radiasi GING, PSTC adalah daya maksimum modul saat STC, GING adalah rasdiasi aktual, GSTC adalah radiasi saat STC 1000 W/m2, M adalah jumlah modul sel surya, k adalah koefisien suhu untuk daya modul, TC adalah suhu sel, Tr adalah referensi suhu. Dalam penelitian ini, digunakan modul sel surya SOLAREX MSX-83. Karakteristik dari modul ini yaitu: daya maksimum = 83 W, tegangan saat daya maksimum = 17.1 V, arus saat daya maksimum = 4.84 A, arus short circuit = 5.27 A, and tegangan open circuit = 21.2 V saat STC. D. Sel Bahan Bakar Dalam penelitian ini, digunakan Protone Exchange Membrane (PEM) Fuel Cell 50 kW. Biaya operasi untuk sel bahan bakar ditunjukkan pada persamaan 3 [7]:
CF PFC Cnl *
PFC
(3) dimana Cnl adalah harga gas alam untuk menyuplai sel bahan bakar, PFC adalah daya listrik netto dari sel bahan bakar, dan η adalah efisiensi sel bahan bakar.
CF PMT Cnl *
PMT
(4) dimana Cnl adalah harga gas alam untuk menyuplai turbin mikro, PMT adalah daya listrik netto dari turbin mikro, dan η adalah efisiensi turbin mikro. F. Generator Diesel Generator Diesel adalah jenis yang paling umum digunakan dalam teknologi Micro Grid saat ini. Biaya operasi dari sistem dapat dinyatakan sebagai fungsi daya keluaran dan dapat dimodelkan dengan polinomial kuadrat. Biaya operasi untuk generator diesel ditunjukkan pada persamaan 5 [7]:
CF PDG a b PDG c P 2 DG
(5) dimana a, b, dan c adalah koefisien generator, PDG adalah keluaran daya dari generator diesel. Dalam penelitian ini, digunakan 6-kW diesel generator set (Cummins Power) model DNAC 50 Hz. Parameter yang digunakan adalah sebagai berikut: a = 0.4333, b = 0.2333, dan c = 0.0074. G. PLN PLN menyeimbangkan perbedaan antara kebutuhan beban dan keluaran generator dari sumber mikro. Maka, ada biaya pengeluaran untuk membeli energi listrik ketika sumber mikro kekurangan dalam memenuhi kebutuhan beban. Di lain sisi, ada pemasukan dari penjualan energi listrik ketika sumber mikro menghasilkan energi listrik lebih besar dari kebutuhan beban tetapi tarif dari penjualan energi listrik lebih kecil daripada tarif pembeliannya. Dalam penelitian ini, total pemasukan dari penjualan daya ke PLN dimodelkan pada persamaan 6:
Cp ln Up ln Tjual Up ln TotR Load TotR Ppv Pwt
(6)
dimana Cpln adalah total harga yang dijual ke PLN, Upln adalah daya yang dijual ke PLN, Tjual adalah tarif jual ke PLN, TotR adalah total daya Renewable Generator, Load adalah total beban, Ppv adalah total daya sel surya, dan Pwt adalah total daya turbin angin. Sedangkan total pengeluaran dari pembelian daya PLN dimodelkan pada persamaan 7:
Dp ln Vp ln Tbeli Vp ln Load TotR TotG max max max TotG PFC PMT PDG
(7)
dimana Dpln adalah total harga yang dibeli dari PLN, Vpln
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 adalah daya yang dibeli dari PLN, Tbeli adalah tarif beli dari PLN, TotG adalah total daya maksimum generator berbahan bakar, PFCmax adalah daya maksimal dari sel bahan bakar, PMTmax adalah daya maksimal dari turbin mikro, PDGmax adalah daya maksimal dari generator diesel. Parameter yang digunakan dalam penelitian ini yaitu: Tjual = 600, Tbeli = 900, PFCmax = 50, PMTmax = 30, dan PDGmax = 6. III. EMISSION DAN ECONOMIC DISPATCH A. Level Emission Beberapa pembangkit listrik dalam beroperasi akan menghasilkan gas buang yang disebut emisi. Emisi tersebut berupa Sulfur Dioksida (SO2), Carbon Dioksida (CO2), dan Nitrogen Oksida (NOX). Dalam penelitian ini, fungsi dari total emisi pembangkit tersebut ditunjukkan dalam persamaan 8 [8]:
E P FC FC FC PFC MT MT MT PMT DG DG DG PDG
Tabel 1. Faktor emisi dari ketiga pembangkit berbahan bakar
DG 0.454 1.432 21.8
FC 0.006 1.078 0.03
MT 0.008 1.596 0.44
B. Economic Dispatch Economic Dispatch merupakan pembagian pembebanan pada pembangkit untuk beroperasi secara ekonomis pada kondisi beban sistem tertentu. Fungsi dari total biaya operasi pembangkit dinyatakan dalam persamaan 9:
CF P CF PFC CF PMT CF PDG
(9) dimana CF(P) adalah total biaya operasi generator berbahan bakar. C. Constraints Dalam penelitian ini, terdapat dua constraint yaitu equality constraint dan inequality constraint. Constraint ini ada sebagai batasan dan syarat untuk sistem ini beroperasi. Equality Constraint merupakan batasan yang merepresentasikan keseimbangan daya dalam sistem. Fungsi persamaannya dinyatakan dalam persamaan 10:
Pnet PL PPV PWT
merepresentasikan kapasitas daya dari pembangkit. Fungsi pertidaksamaannya dinyatakan dalam persamaan 11: min max PFC PFC PFC min max PMT PMT PMT min max PDG PDG PDG
(11)
dimana PFCmin adalah daya operasi minimum dari pembangkit sel bahan bakar, PFCmax adalah daya operasi maksimum dari pembangkit sel bahan bakar, PMTmin adalah daya operasi minimum dari pembangkit turbin mikro, PMTmax adalah daya operasi maksimum dari pembangkit turbin mikro, PDGmin adalah daya operasi minimum dari pembangkit generator diesel, dan PDGmax adalah daya operasi maksimum dari pembangkit generator diesel. Dalam penelitian ini, parameter yang digunakan adalah sebagai berikut : PFCmin = 0, PFCmax = 50, PMTmin = 0, PMTmax = 30, PDGmin = 0, dan PDGmax = 6. IV. PENERAPAN MULTIOBJECTIVE GENETIC ALGORITHM OPTIMIZATION
(8) dimana E(P) adalah total emisi generator berbahan bakar, αFC, αMT, dan αDG adalah koefisien non-negatif dari SO2, βFC, βMT, and βDG adalah koefisien non-negatif dari CO2, γFC, γMT, and γDG adalah koefisien non-negatif dari NOx. Parameter yang digunakan dalam penelitian ini ditunjukkan pada tabel 1 [8]:
Faktor Emisi α β γ
3
(10) dimana Pnet adalah beban netto dari sistem Micro Grid. Inequality Constraint merupakan batasan yang
A. Implementasi dari Algoritma Dalam penelitian ini, terdapat algoritma yang digunakan untuk mengoperasikan sistem kelistrikan Micro Grid model grid-connected secara optimal. Algoritma tersebut adalah sebagai berikut: 1. Daya keluaran dari turbin angin dihitung sesuai dengan hubungan kecepatan angin dan daya keluarannya. 2. Daya keluaran dari sel surya dihitung sesuai dengan efek suhu dan radiasi matahari yang berbeda dari kondisi standar tes. 3. Asumsikan turbin angin dan sel surya tidak menghasilkan biaya dan emisi saat beroperasi. 4. Jika total permintaan beban lebih kecil dari daya keluaran sel surya dan turbin angin maka daya sisa akan dijual ke PLN. 5. Beban netto dihitung hanya jika daya keluaran dari turbin angin dan sel surya lebih kecil dari total permintaan beban. 6. Memilih sumber lainnya dalam memenuhi beban (sel bahan bakar, turbin mikro, atau generator diesel) sesuai dengan fungsi tujuannya. Pembangkit sel bahan bakar merupakan yang paling murah sedangkan pembangkit generator diesel merupakan yang paling mahal. 7. Jika daya keluaran seluruh pembangkit masih tidak cukup dalam memenuhi total permintaan beban maka akan membeli daya dari PLN. B. Multiobjective Genetic Algorithm Multiobjective genetic algorithm digunakan untuk mengoptimasi pembangkitan daya oleh sel bahan bakar, turbin mikro, dan generator diesel ketika beban lebih besar dari pembangkitan sel surya dan turbin angin tetapi masih mampu dipenuhi oleh ketiga pembangkit lainnya agar mendapatkan biaya dan emisi yang paling minimal.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
4
Langkah-langkahnya adalah sebagai berikut: 1. Membangkitkan populasi secara acak, dimana lebar kromosom disesuaikan dengan jumlah objek yang akan di optimasi. Dalam kasus ini, objek yang dioptimasi adalah keluaran daya pembangkit berbahan bakar. Terdapat 3 pembangkit berbahan bakar dalam sistem Micro Grid ini sehingga terdapat 3 gen dalam satu kromosom. Sedangkan kromosom yang dibangkitkan dalam satu populasi adalah 1000. 2. Pengkodean kromosom merupakan konversi dari nilai asumsi ke nilai real. Nilai ini diwakili oleh kromosom yang dibangkitkan secara acak tadi. Sedangkan nilai real adalah nilai daya pembangkitan yang sesungguhnya. Dalam kasus ini, pengkodean kromosom adalah representasi dari batasan kapasitas daya keluaran pembangkit berbahan bakar pada (11). 3. Hasil dari pengkodean kromosom dimasukkan ke dalam fungsi biaya dan emisi pembangkitan sehingga didapatkan nilai fitness. Nilai fitness dalam kasus ini ditujukkan pada persamaan 12:
fitness 1 [{w1 CF ( P)} {w2 S E ( P)}]
w2 1 w1
(12)
dimana CF(P) adalah total biaya operasi generator berbahan bakar, E(P) adalah total emisi generator berbahan bakar, w1 adalah weight biaya operasi, w2 adalah weight emisi, dan S adalah scaling factor dari fungsi emisi Parameter yang dipakai adalah sebagai berikut: S = 407 4. Metode seleksi, pindah silang serta mutasi digunakan untuk menyeleksi individu yang paling optimal dalam populasi tersebut. Probabilitas Pindah Silang yang dipakai adalah 0.8. Sedangkan probabilitas Mutasi yang dipakai adalah 0.3. 5. Proses akan terus berulang untuk mendapatkan kromosom terbaik. Kromosom terbaik ini direpresentasikan dalam bentuk nilai fitness terbesar. 6. Kromosom terbaik dari seluruh proses tersebut akan muncul setelah iterasi maksimum terpenuhi. Dalam kasus ini, iterasi maksimumnya adalah 25 generasi. V. SIMULASI DAN ANALISIS A. Studi Kasus 1 Studi kasus 1 memperlihatkan hasil perhitungan ketika total permintaan beban lebih kecil dari daya keluaran sel surya dan turbin angin sehingga sisa daya yang dibangkitkan kedua pembangkit itu akan dijual ke PLN. Data yang dimasukkan dalam simulasi ditunjukkan pada tabel 2:
Tabel 2. Data masukan studi kasus 1 Jumlah Radiasi Jumlah Total beban Kecepatan turbin Suhu Kasus matahari sel surya (kW/h) angin (m/s) angin (Celcius) (W/m2) (modul) (unit) 1 0.07 5 1 1000 60 5 2 0.20 8 2 1500 50 4 3 0.45 10 3 2000 30 6 4 1.55 15 3 500 50 5
Dari data diatas, maka didapatkan hasil simulasi pada tabel 3: Tabel 3. Hasil simulasi studi kasus 1 Kasus
Daya sel surya (kW/h)
1 2 3 4
0.342 0.436 0.971 0.182
Daya turbin Total Total Daya Total Penjualan angin Pemasukan Renewable (kW/h) Daya (kW/h) (kW/h) (R/h) 0.034 0.262 0.688 1.783
0.377 0.697 1.659 1.964
0.307 0.497 1.209 0.414
183.9 298.4 725.2 248.4
Dari hasil simulasi diatas, terlihat perbedaan daya yang dibangkitkan oleh sel surya dan turbin angin ketika mendapat variasi masukan yang berbeda. Hal itu disebabkan karena tiap pembangkit mempunyai karakteristik yang berbeda sesuai dengan fungsi pembangkitannya masingmasing. Daya yang dibangkitkan turbin angin dipengaruhi oleh kecepatan angin dan jumlah unit turbin angin. Sedangkan daya yang dibangkitkan sel surya dipengaruhi oleh radiasi matahari, suhu, dan jumlah modul sel surya. Berbagai variasi total beban disimulasikan untuk mengetahui berapa sisa daya terbangkit yang mampu dijual ke PLN dan jumlah pemasukan dari penjualan daya tersebut. B. Studi Kasus 2, 3, dan 4 Studi kasus 2, 3, dan 4 memperlihatkan hasil perhitungan ketika total permintaan beban lebih besar dari daya keluaran sel surya dan turbin angin sehingga dibutuhkan pembangkit berbahan bakar (sel bahan bakar, turbin mikro, dan generator diesel) untuk membantu memenuhi total permintaan beban. Multiobjective genetic algorithm digunakan untuk menentukan pembangkitan yang optimal untuk masing-masing pembangkit berbahan bakar tersebut. Dalam studi kasus 2, yang menjadi prioritas utama yaitu minimisasi biaya operasi daripada minimisasi emisi sehingga parameter w1 ditentukan 0.8 sedangkan parameter w2 ditentukan 0.2. Sedangkan studi kasus 3 berlaku sebaliknya dari studi kasus 2, yang menjadi prioritas utama yaitu minimisasi emisi daripada minimisasi biaya operasi sehingga parameter w1 ditentukan 0.2 sedangkan parameter w2 ditentukan 0.8. Studi kasus 4 merupakan penengah dari studi kasus 2 maupun 3. Dalam studi kasus 4, yang menjadi prioritas untuk diminimisasi adalah keduanya yaitu total biaya operasi dan total emisi. Keduanya memiliki kepentingan yang sama. Maka dari itu, parameter w1 dan parameter w2 ditentukan seimbang yaitu 0.5. Untuk mengetahui perbedaan daya yang dibangkitkan oleh pembangkit berbahan bakar maka parameter masukan pembangkit renewable disamakan yaitu kecepatan angin
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 diasumsikan 17 m/s, jumlah turbin angin sebanyak 5 unit, radiasi matahari 1500 W/m2, suhu 70 oC, dan jumlah sel surya sebanyak 6 modul. Hasil simulasi dengan berbagai variasi total permintaan beban ditunjukkan pada tabel 4, 5, dan 6: Tabel 4. Hasil simulasi studi kasus 2 Kasus
Total beban (kW/h)
Daya sel surya (kW/h)
Daya turbin angin (kW/h)
Daya sel bahan bakar (kW/h)
1 2 3 4
30.55 50.47 60.78 87.64
0.579 0.579 0.579 0.579
3.939 3.939 3.939 3.939
25.847 45.240 49.391 49.017
Daya Daya Total turbin generator emisi mikro diesel (g/h) (kW/h) (kW/h) 0.009 0.426 5.614 28.622
0.200 0.328 1.258 5.506
33.550 59.026 96.296 243.526
Total biaya operasi (R/h) 41823.6 81486.5 118836.5 193234.7
1 2 3 4
30.55 50.47 60.78 87.64
Daya sel surya (kW/h)
Daya turbin angin (kW/h)
Daya sel bahan bakar (kW/h)
0.579 0.579 0.579 0.579
3.939 3.939 3.939 3.939
26.010 45.686 48.950 49.681
Daya Daya turbin generator mikro diesel (kW/h) (kW/h) 0.043 0.427 7.377 29.590
0.028 0.002 0.028 3.944
Total emisi (g/h) 29.720 51.807 70.267 209.245
Total biaya operasi (R/h) 42341.5 81922.4 121713.0 194847.2
Tabel 6. Hasil simulasi studi kasus 4 Kasus
Total beban (kW/h)
Daya sel surya (kW/h)
Daya turbin angin (kW/h)
Daya sel bahan bakar (kW/h)
1 2 3 4
30.55 50.47 60.78 87.64
0.579 0.579 0.579 0.579
3.939 3.939 3.939 3.939
26.051 45.715 49.992 48.846
Daya Daya turbin generator mikro diesel (kW/h) (kW/h) 0.008 0.389 6.193 29.640
0.066 0.024 0.088 4.648
Tabel 7. Data masukan studi kasus 5 Jumlah Radiasi Jumlah Total beban Kecepatan turbin Suhu Kasus matahari sel surya (kW/h) angin (m/s) angin (Celcius) (W/m2) (modul) (unit) 1 95.82 5 1 1000 60 5 2 110.54 8 2 1500 50 4 3 135.76 10 3 2000 30 6 4 157.43 15 3 500 50 5
Dari data diatas, maka didapatkan hasil simulasi pada tabel 8: Tabel 8. Hasil simulasi studi kasus 5
Tabel 5. Hasil simulasi studi kasus 3 Total Kasus beban (kW/h)
5
Total emisi (g/h) 30.599 52.278 70.437 225.091
Total biaya operasi (R/h) 41983.0 81570.2 120289.3 194513.9
Dari hasil simulasi diatas, terlihat perbedaan daya yang dibangkitkan oleh pembangkit berbahan bakar dengan asumsi pembangkitan dari pembangkit renewable besarnya sama dalam berbagai variasi beban. Pembangkit sel bahan bakar dioperasikan paling besar dalam memenuhi total permintaan beban karena memiliki biaya operasi dan emisi yang paling kecil, sedangkan pembangkit generator diesel dioperasikan paling kecil karena memiliki biaya operasi dan emisi yang paling besar. Dalam studi kasus 4, terlihat perbedaan nilai total biaya operasi dan total emisi jika dibandingkan dengan studi kasus 2 dan studi kasus 3. Nilai yang didapatkan dalam studi kasus 4 merupakan nilai tengah dari studi kasus 2 dan studi kasus 3. Terlihat nilai total emisi pada studi kasus 4 lebih besar dari studi kasus 3 tetapi lebih kecil dari studi kasus 2. Sedangkan nilai total biaya operasi pada studi kasus 4 lebih kecil dari studi kasus 3 tetapi lebih besar dari studi kasus 2. C. Studi Kasus 5 Studi kasus 5 memperlihatkan hasil perhitungan ketika seluruh pembangkit berbahan bakar dioperasikan maksimal tetapi total permintaan beban lebih besar dari daya keluaran seluruh pembangkit di dalam sistem Micro Grid, sehingga dibutuhkan bantuan daya PLN untuk memenuhi permintaan beban tersebut. Maka dari itu, terdapat biaya tambahan berupa pembelian daya dari PLN. Data yang dimasukkan dalam simulasi ditunjukkan pada tabel 7:
Total Daya Total biaya Total Daya nonoperasi nonKasus Renewable Renewable Renewable (kW/h) (kW/h) (R/h) 1 0.377 86 200152.4 2 0.697 86 200152.4 3 1.659 86 200152.4 4 1.964 86 200152.4
Total emisi (g/h) 259.136 259.136 259.136 259.136
Total Biaya Total Pembelian Pembelian Pengeluaran Daya (kW/h) Daya (R/h) (R/h) 9.443 23.843 48.101 69.466
8499.0 21458.3 43291.1 62519.2
208651.4 221610.7 243443.5 262671.6
Dari hasil simulasi diatas, terlihat total daya yang dibangkitkan oleh pembangkit berbahan bakar sama yaitu 86. Hal itu dikarenakan pembangkit berbahan bakar dioperasikan sesuai dengan rating maksimalnya. Begitu juga dengan total biaya operasi dan total emisinya akan mengikuti daya yang dibangkitkan oleh pembangkit berbahan bakar. Karena data masukan pembangkit renewable berbeda maka daya yang dihasilkannya pun berbeda juga. Karena seluruh pembangkit tidak mampu untuk memenuhi permintaan beban maka diperlukan daya tambahan dari PLN. Sehingga terdapat biaya tambahan berupa pembelian daya dari PLN seperti yang diperlihatkan pada tabel diatas. D. Konvergensi Dari hasil simulasi didapatkan kurva konvergensi seperti pada gambar 2:
Gambar. 2. Kurva konvergensi
Kurva diatas menunjukkan konvergensi dari multiobjective genetic algorithm. Terdapat perubahan nilai fitness pada generasi awal antara 0 sampai 11 tetapi nilai fitness-nya menjadi konvergen pada generasi akhir antara 12 sampai 25. Karena menggunakan formula 1/fungsi tujuan maka semakin
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 besar nilai fitness, semakin menuju ke titik optimal. Waktu yang dibutuhkan untuk menghasilkan 25 iterasi ini yaitu sekitar 26 detik. E. Analisis statistik fitness Dari hasil simulasi didapatkan analisis statistik fitness seperti pada tabel 9: Tabel 9. Hasil analisis statistik fitness
Tes 1 2 3 4 5 6 7 8 9 10 MIN MAX MEAN SDV
Fitness 2.9923 3.0469 3.0773 2.9344 3.0794 2.9048 3.0533 3.0301 2.994 2.9679 2.9048 3.0794 3.00804 0.059695379
Tabel diatas menunjukkan nilai minimum, maksimum, ratarata, dan standar deviasi dari fitness. Nilai standar deviasi yang kecil menunjukkan nilai-nilai diatas berkumpul disekitar rata-rata hitungnya (penyebarannya kecil). VI. KESIMPULAN/RINGKASAN Dari hasil analisis aplikasi emission dan economic dispatch pada sistem kelistrikan Micro Grid menggunakan multiobjective genetic algorithm optimization, dapat diambil kesimpulan sebagai berikut: 1. Metode ini mampu menentukan pembangkit yang dioperasikan serta besarnya daya yang dibangkitkan berdasarkan permintaan beban dalam sistem Micro Grid sehingga beban dapat dipenuhi dengan biaya dan emisi yang paling minimal. 2. Terdapat pemasukan dari penjualan daya ke PLN apabila daya yang terbangkit dari pembangkit renewable lebih besar dari permintaan beban tetapi terdapat pengeluaran dari pembelian daya PLN apabila permintaan beban melebihi total pembangkitan dari seluruh pembangkit dalam sistem Micro Grid. 3. Dengan mengatur nilai weight dari multiobjective genetic algorithm maka didapatkan hasil emission dan economic dispatch yang sesuai dengan yang diprioritaskan. Semakin besar nilai weight maka semakin besar pula prioritasnya. 4. Metode multiobjective genetic algorithm mempunyai nilai penyebaran yang kecil dari nilai rata-rata hitungnya. Metode ini juga sangat efisien dalam pemecahan masalah karena waktunya yang singkat yaitu hanya sekitar 26 detik.
6 DAFTAR PUSTAKA [1] [2]
[3] [4]
[5] [6]
[7] [8]
Imam Robandi, “Modern Power System Control”, Penerbit ANDI, Yogyakarta, 2009. Naoto Yorino, Hafiz Mohd Habibuddin, Zoka Yoshifumi, Sasaki Yutaka, Ohnishi Yuji,”Dynamic Economic Dispatch with Generatir’s Feasible Operatoin Region”, Power and Energy Engineering Conference (APPEEC), 2010 Asia-Pacific, 10.1109/APPEEC.2010.5448180, 2010. D. W. Ross, S. Kim, ”Dynamic Economic Dispatch of Generation”, IEEE Trans. on Power Apparatus and Systems, vol. PAS-99, no. 6, pp. 2060-2068, Nov. 1980. Mohamed Faisal A, Koivo Heikki., “System modelling and online optimal management of MicroGrid using Mesh Adaptive Direct Search”, International Journal of Electrical Power & Energy Systems., Vol. 32,no 5 . 2010, pp. 398–407. S. Campanari and E. Macchi. Technical and tariff scenarios effect on microturbine trigenerative applications. Journal of Engineering for Gas turbines and Power, 126:581 – 589, July 2004. Morgantown, W, “Emission rates for new DG technologies”, the Regulatory Assistance Project., Online Available,http://www.raponline.org ProjDocs/DREmsRul/Collfile/DGEmissionsMay2001.pdf. Mohamed, Faisal A. "Microgrid modelling and online management." (2008). M. A. Abido. Enverionmental/economic power dispatch using multiobjective evolutionary algorithms. IEEE Transactions on Power Syst, 18(4):1529 – 1537, November 2003.