Konferensi Nasional Sistem dan Informatika 2009; Bali, November 14, 2009
KNS&I09-026
IDENTIFIKASI GANGGUAN HUBUNGAN SINGKAT PADA SISTEM DISTRIBUSI RADIAL MENGGUNAKAN GENETIC ALGORITHM (GA) – FUZZY Sri Koestanto1), Adi Soeprijanto2), Mauridhi Hery P.2). Dept. Rancang Bangun, PT. Pupuk Kaltim1) Teknik Elektro, Sekolah Tinggi Teknologi Bontang1) Jurusan Teknik Elektro, FTI, Institut Teknologi Sepuluh Nopember2)
[email protected]),
[email protected]),
[email protected]) ABSTRACT Various methods for identifying shunt faults have been proposed. In this research, Genetic Algorithm (GA) and fuzzy theory are used for identify shunt faults in a radial power distribution system. The identification method is developed based on symmetrical components of fundamental fault current. Fuzzy theory is used to identify faults, while GA is used to determine membership function parameters of fuzzy. Learning process by GA in the proposed technique makes the fuzzy theory capable to accurately identify all ten types of shunt faults that may occur in an electric power distribution system under different fault locations and loading levels. The identification method needs only three line current measurements available at the substation to identify types of shunt faults. The developed method has been proven to be able to accurately identify the phase(s) involved in all ten types of shunt faults that may occur in 11 kV Kaltim-4 PT. Pupuk Kaltim electric power distribution system. All the test results show that the proposed fault identifier can perform the fault identification task in about one and half-cycle period after fault. Keywords: Shunt Faults, Fault Identification, Genetic Algorithm, Fuzzy.
1. Pendahuluan Berbagai metode identifikasi gangguan hubungan singkat baik yang menggunakan metode kecerdasan buatan maupun tidak telah dikemukakan[1-6]. Identifikasi gangguan hubungan singkat berdasarkan nilai perbandingan dan perbedaan sudut antara komponen urutan dari komponen simetri arus gangguan dikemukakan untuk melakukan identifikasi terhadap sepuluh tipe gangguan hubungan singkat[7][8]. ‘Biswarup Das’ mengemukakan metode fuzzy untuk identifikasi gangguan berdasarkan nilai perbandingan dan perbedaan sudut antara komponen urutan dari komponen simetri arus gangguan untuk identifikasi sepuluh tipe gangguan hubungan singkat pada saluran distribusi radial[9], parameter-parameter fungsi keanggotaan fuzzy yang digunakan ditentukan pada suatu nilai tertentu sehingga belum tentu tepat untuk sistem yang berbeda[10]. Pada penelitian ini dikembangkan metode identifikasi menggunakan Genetic Algorithm (GA) – Fuzzy berdasarkan nilai magnitude dan sudut antar arus komponen simetri dari arus gangguan. Metode GA – Fuzzy mampu membedakan sepuluh tipe gangguan hubungan singkat yang terjadi, yaitu satu phasa ke tanah (a-g,b-g,c-g), dua phasa (a-b,b-c,a-c), dua phasa ke tanah (a-b-g,b-c-g,a-c-g), tiga phasa (a-b-c) atau tiga phasa ke tanah (a-b-c-g) hanya dengan memanfaatkan pengukuran arus saluran phasa a, b, dan c di sisi incoming substation. Serangkaian proses pembelajaran kecerdasan buatan dengan metode GA dilakukan untuk menentukan nilai parameter fungsi keanggotaan himpunan fuzzy yang digunakan pada metode fuzzy. Sebagai studi kasus pada penelitian ini digunakan sistem distribusi tenaga listrik 11 kV Unit Kaltim-4 PT. Pupuk Kalimantan Timur. Pada sistem distribusi suatu industri seperti sistem distribusi tenaga listrik di PT. Pupuk Kalimantan Timur adanya suatu metode yang dapat memberi informasi tipe gangguan hubungan singkat yang akurat dan lengkap sangat membantu dalam proses penyelesaian gangguan, proses analisa penyebab gangguan dan perencanaan perbaikan sistem di kemudian hari agar sistem distribusi lebih handal. Penelitian ini memberikan kontribusi terhadap perkembangan sistem kelistrikan, khusus pada permasalahan yang berkaitan dengan penentuan tipe gangguan hubungan singkat pada suatu jaring distribusi sistem tenaga listrik. Adanya proses pembelajaran untuk menentukan nilai parameter fungsi keanggotaan fuzzy diharapkan membuat metode ini dapat diaplikasikan untuk berbagai sistem distribusi tenaga listrik radial.
2. Metode Identifikasi Gangguan Sistem distribusi 11 kV unit Kaltim-4 PT. Pupuk Kaltim dapat dilihat pada Gambar.1. Pada penelitian ini sistem disimulasi mengalami gangguan pada berbagai lokasi menggunakan MATLAB 7.0[11]. Sinyal arus gangguan yang disensor oleh trafo arus pada incoming bus diuraikan komponen simetri arus fundamentalnya menggunakan metode komponen simetri[12]. Sinyal arus gangguan fundamental tiap phasa akan diuraikan dalam bentuk arus komponen simetrinya dan akan dibandingkan nilai magnitude dan sudut dari arus urutan nol, positif dan negatif. Perbedaan sudut antara komponen arus urutan negatif dan positif phasa a, b dan c adalah[9][10][13]: (1) ang _ A = Arg( I a1 f ) − Arg( I a 2 f )
ang _ B = Arg( I b1 f ) − Arg( I b 2 f ) 145
(2)
Konferensi Nasional Sistem dan Informatika 2009; Bali, November 14, 2009
KNS&I09-026
ang _ C = Arg( I c1 f ) − Arg( I c 2 f )
(3)
Gambar 1. Sistem Distribusi 11 kV Unit Kaltim-4 PT. Pupuk Kaltim Konstanta perbandingan nilai magnitude antara komponen arus urutan nol dan negatif dengan urutan positif adalah:
Rof = R2 f =
I a0 f
(4)
I a1 f I a2 f
(5)
I a1 f
Aturan dasar fuzzy identifikasi berdasarkan nilai variabel gangguan persamaan 1 sampai 5 dapat dilihat pada Tabel 1[9]. Sistem inferensi fuzzy untuk identifikasi gangguan hubungan singkat menggunakan metode Mamdani[14] seperti pada Gambar 2 dengan menggunakan rule base pada Tabel 1. Pada penelitian ini parameter A, B, C pada fungsi keanggotaan fuzzy bentuk segitiga ditentukan melalui proses pencarian menggunakan GA. Tabel 1. Aturan Dasar Fuzzy Untuk Sepuluh Tipe Gangguan Hubungan Singkat JIKA o
o
ang-A ( )
ang-B ( )
ang-C ( )
R0 f
R2 f
Tipe Gangguan
0 120 120 60 180 60 60 180 60 -
120 0 120 60 60 180 60 60 180 -
120 120 0 180 60 60 180 60 60 -
tinggi tinggi tinggi rendah rendah rendah tinggi tinggi tinggi rendah
tinggi tinggi tinggi tinggi tinggi tinggi tinggi tinggi tinggi rendah
9 5 3 12 6 10 13 7 11 15
a n g -A 0
a n g -B 120
o
a n g -C
R0
120o
T in g g i
2 f T in g g i
B
B
o
B
B
A
MAKA o
C
B
A
C
A
C
A
R
f
C
A
G angguan 9
C
8 .5
9 .5
120o
60o
60o
B
A
IF
180o
C
A
AND
R endah
B
B
C
A
AND
T in g g i B
B
C
A
C
AND
A
AND
12
C
1 1 .5
1 2 .5
1 1 .5
1 2 .5
THEN
1 1 .5
1 2 .5
Z
Gambar 2. Sistem Inferensi Fuzzy Metode Mamdani Untuk Identifikasi Gangguan Hubungan Singkat
146
Konferensi Nasional Sistem dan Informatika 2009; Bali, November 14, 2009
KNS&I09-026
Siklus penerapan algoritma genetika pada proses pencarian nilai parameter segitiga fungsi keanggotaan fuzzy mengunakan metode GA dapat dilihat pada Gambar 3[13][15]:
∑
Gambar 3. Siklus Penerapan Algoritma Genetika Pada penelitian ini fungsi keanggotaan himpunan fuzzy bentuk segitiga didefinisikan sebagai gen-gen pada kromosom dan setiap tiga gen merepresentasikan satu set fungsi keanggotaan himpunan fuzzy bentuk segitiga. Proses random tiap kelompok saat pembangkitan individu maupun saat proses mutasi mempunyai batasan sesuai bentuk segitiga yaitu nilai gen pertama tidak lebih besar dari nilai gen yang kedua dan nilai gen ke dua tidak lebih besar dari nilai gen ketiga. Dalam membentuk generasi baru, GA menggunakan tiga operator yaitu operator reproduksi/seleksi, crossover dan mutasi, sedangkan breeder digunakan untuk mempertahankan sejumlah individu terbaik sesuai nilai peluang breeder. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru. Generasi baru ini merupakan representasi dari solusi baru. Proses evaluasi akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah membentuk generasi baru. Proses evaluasi dilakukan dengan menjalankan program logika fuzzy berdasarkan sejumlah data input lima variabel fuzzy dan data setting parameter yang direpresentasikan oleh nilai gen-gen setiap kromosom. Nilai fitness yang direncanakan adalah nilai absolut dari perbedaan antara keluaran yang ditargetkan dengan keluaran hasil menjalankan program logika fuzzy.
f
= |Target – Keluaran Fuzzy| (6) Target keluaran adalah kode tipe gangguan yang disimulasikan untuk memperoleh nilai variabel fuzzy ang-A, ang-B, ang-C, Rof dan R2f. Target keluaran dikodekan dalam angka desimal seperti pada Tabel 2. Keluaran fuzzy adalah keluaran dari program logika fuzzy terhadap sejumlah data pembelajaran sebagai masukan dengan menggunakan nilai yang direpresentasikan oleh gen-gen dari setiap kromosom sebagai parameter fungsi keanggotaan fuzzy. Tabel 2. Kode Gangguan Tipe Gangguan
B3
B2
B1
B0
Dalam Desimal
a-g b-g c-g a-b b-c c-a a-b-g b-c-g a-c-g Simetri
1 0 0 1 0 1 1 0 1 1
0 1 0 1 1 0 1 1 0 1
0 0 1 0 1 1 0 1 1 1
1 1 1 0 0 0 1 1 1 1
9 5 3 12 6 10 13 7 11 15
3. Simulasi Dan Hasil Pada sistem seperti Gambar 1 pada kondisi tanpa beban bila terjadi gangguan hubungan singkat pada Bus 00-SG-101, nilai lima variabel (persamaan 1-5) untuk sepuluh tipe gangguan hubungan singkat dapat dilihat pada Tabel 3. Kemudian juga dilakukan perhitungan nilai variabel gangguan pada berbagai lokasi gangguan dan pembebanan dan data hasil perhitungan tersebut digunakan untuk proses pelatihan pada metode GA. Parameter GA yang digunakan untuk simulasi dapat dilihat pada Tabel 4. Gambar 4 adalah kurva fitness hasil proses GA dengan nilai parameter seperti pada Tabel 4. 147
Konferensi Nasional Sistem dan Informatika 2009; Bali, November 14, 2009
KNS&I09-026
Tabel 3. Nilai Lima Variabel Identifikasi Untuk 10 Tipe Gangguan Hubungan Singkat Yang Terjadi Pada Bus 00-SG101 Saat Beban Total= 0% Tipe Gangguan ang-A ang-B ang-C ROf R2f a-g b-g c-g a-b b-c c-a a-b-g b-c-g c-a-g Simetri
1.3297 121.3297 118.6703 59.9912 179.9915 60.0086 59.8083 179.8115 60.1862 90.7514
No 1 2
P_br 0.02 0
118.6703 1.3297 121.3297 60.0088 59.9915 179.9914 60.1917 59.8115 179.8138 149.2486
121.3297 118.6703 1.3297 179.9912 60.0085 59.9914 179.8083 60.1885 59.8138 29.2486
Tabel 4. Parameter GA Parameter GA Pm Pc Populasi 0.35 0.75 50 0.35 0.75 50
0.9761 0.9761 0.9761 5.07E-08 4.99E-08 4.92E-08 0.0032 0.0031 0.0031 1.65E-13
0.97607 0.97607 0.97607 0.99985 0.99985 0.99985 0.99984 0.99976 0.99985 0.01671
Nilai Fitness 3.793E-12 1.6235E+1
Kurva Fitness 400
Pmut: 0.35, Pcross: 0.75 Populasi:
350
N ilai Fitness
300
50.0
- - -:
Pbreeder: 0.000, Fitness Terbaik: 1.6235e+001
___:
Pbreeder: 0.020, Fitness Terbaik: 3.7930e-012
250 200 150 100 50 0
5
10
15
20 25 30 Jumlah Generasi
35
40
45
50
Gambar 4. Grafik Kurva Fitness Dengan Parameter GA Pada Tabel 2. Kromosom terbaik yang merupakan representasi dari nilai parameter fungsi keanggotaan fuzzy segitiga dapat dilihat pada Tabel 5. Berdasarkan nilai kromosom terbaik tersebut bentuk fungsi keanggotaan fuzzy segitiga identifikasi gangguan dapat dilihat pada Gambar 5 sampai 7. Tabel 5. Kromosom Hasil Proses GA Nilai Gen
No Gen 1 s/d 6
0
0
42.4076
5.6376
7.5998
78.9593
7 s/d 12
78.7089
134.7626
171.8776
177.3759
180.0000
180.0000
13 s/d 18
0.0000
0.0000
0.0022
0.0008
1.1858
1.1867
19 s/d 24
0.0000
0.0000
0.0870
0.0358
1.1006
1.1208
Gambar 5. Fungsi Keanggotaan Segitiga ‘00’’600’’1200’ dan’1800’ Untuk Variabel ang-A, ang-B dan ang-C Hasil Optimasi GA
148
Konferensi Nasional Sistem dan Informatika 2009; Bali, November 14, 2009
KNS&I09-026
Gambar 6. Fungsi Keanggotaan Segitiga ‘Rendah’ dan Tinggi’ Untuk Variabel R0f Hasil Optimasi GA
Gambar 7. Fuzzy Segitiga ‘Rendah’ dan Tinggi’ Untuk Variabel R2f Hasil Optimasi GA
Dengan menggunakan nilai parameter hasil proses pencarian melalui proses GA, dilakukan proses identifikasi dengan program fuzzy. Blok simulink proses identifikasi dengan program fuzzy dapat dilihat pada Gambar 8. Berdasarkan nilai setting parameter fungsi keanggotaan himpunan fuzzy yang didapat melalui proses GA selanjutnya disimulasi identifikasi menggunakan fuzzy langsung pada sistem dengan kondisi pembebanan dan lokasi gangguan yang berbeda-beda, gangguan disimulasikan terjadi pada detik ke 0.04 dan simulasi identifikasi dihentikan pada detik ke 0.07. Hasil identifikasi 10 tipe gangguan pada Bus 00-SG-101 saat beban 100 % dan pada terminal trafo 01-TR-211 saat beban 0% dapat dilihat pada Tabel 6. Karena keterbatasan halaman hasil identifikasi gangguan pada berbagai lokasi dan berbagai kondisi pembebanan tidak bisa ditampilkan di sini. [Iabc_K4]
Mag
Arus abc
From1
Phase In
RMS
Iset = 1200A Discrete 3-phase Sequence Analyzer
RMS Arus Gangguan f(u) Arus N-Ground
Komponen Symetri
MATLAB Function fuzzy Display
MATLAB Function
Best_Krom
Batas Kerja Relay
From Workspace
InRMS
RMS Arus N-Ground
MATLAB Function
0
Gambar 8. Blok Simulink Proses Identifikasi Gangguan Dengan Metode Fuzzy Tabel 6. Hasil Identifikasi Gangguan Pada Bus 00-SG-101, Beban: 100% Menggunakan Setting Parameter Fungsi Keanggotaan Fuzzy Dari Hasil Proses GA Gangguan pada Bus 00-SG-101
Beban: 100%
Tipe Gangguan
ang-A
ang-B
ang-C
R0f
R2f
a-g b-g c-g a-b b-c c-a a-b-g b-c-g c-a-g Simetri
38.9325 158.7032 81.4654 58.7635 178.7072 61.2744 58.5909 178.5317 61.4524 87.9276
81.0675 38.7032 158.5346 61.2365 58.7072 178.7256 61.4091 58.5317 178.5476 32.0724
158.9325 81.2968 38.5346 178.7635 61.2928 58.7256 178.5909 61.4683 58.5476 152.0724
0.161571 0.161767 0.161571 4.80E-08 4.87E-08 4.95E-08 0.003022 0.003067 0.003115 2.99E-13
0.1599 0.1590 0.1586 0.9749 0.9751 0.9741 0.9747 0.9749 0.9739 0.0177
Keluaran Fuzzy 8.99999999999999 4.99999999999999 2.99999999999994 11.99999999999980 5.99999999999989 9.99999999999990 12.99999999999990 6.99999999999995 10.99999999999990 14.99999999999990
4. Kesimpulan Dan Saran 4.1 Kesimpulan Dari hasil permodelan dan analisa saluran distribusi 11 kV unit Kaltim-4 PT. Pupuk Kaltim pada penelitian ini, bisa diambil kesimpulan sebagai berikut: 1. Genetic Algorithm (GA) dapat digunakan untuk optimasi nilai parameter fungsi keanggotaan himpunan fuzzy bentuk segitiga dengan nilai parameter GA, Peluang breeder = 0.02, Peluang crossover = 0.75, Peluang mutasi = 0.35 dan Populasi = 50 diperoleh nilai fitness 3.793E-12. 149
Konferensi Nasional Sistem dan Informatika 2009; Bali, November 14, 2009
KNS&I09-026
2. Bila dibandingkan tanpa menggunakan breeder dengan nilai Peluang breeder = 0, Peluang crossover = 0.75, Peluang mutasi = 0.35 dan Populasi = 50 diperoleh nilai fitness 16.235, terbukti bahwa menggunakan breeder membuat GA lebih optimal. 3. Hasil test simulasi menunjukkan metode Genetic Algorithm (GA) – Fuzzy berbasiskan metode komponen simetri mampu mengidentifikasi 10 tipe gangguan hubungan singkat pada sistem distribusi 11 kV unit Kaltim-4 PT. Pupuk Kaltim. 4. Metode yang dikembangkan mampu melakukan identifikasi dengan akurat dalam waktu 1.5 periode setelah gangguan (0.03 dt) jauh di bawah setting relay arus lebih seketika yang digunakan (0.5 dt), sehingga metode ini dapat bekerjasama dengan relay tersebut. 5. Lokasi gangguan dan perubahan beban tidak mempengaruhi keakuratan dalam melakukan identifikasi 10 tipe gangguan. 6. Metode identifikasi hanya memerlukan deteksi arus tiap phasa untuk melakukan identifikasi. 4.2 Saran Untuk mengembangkan metode Genetic Algorithm (GA) – Fuzzy yang digunakan, beberapa hal yang dapat dilakukan adalah: 1. Mengembangkan metode ini agar mampu mengenali letak gangguan. 2. Mengimplementasikan metode ini pada relay over current sistem distribusi existing.
Daftar Pustaka [1] A. Ferrero, S. Sangiovanni, and E. Zapitelli. (1995). A fuzzy set approach to fault type identification in digital relaying. IEEE Transactions on Power Delivery, Vol. 10, No. 1, pp. 169–175. [2] T. Dalstein and B. Kulicke. (1995). Neural network approach to fault classification for high speed protective relaying. IEEE Trans. Power Del., vol. 10, no. 2, pp. 1002–1011. [3] M. Togami, N. Abe, T. Kitahashi, and H. Ogawa. (1995). On the application of a machine learning technique to fault diagnosis of power distribution lines. IEEE Transactions on Power Delivery, Vol. 10, No. 4, pp. 1927–1936. [4] H. Wang and W. W. L. Keerthipala. (1998). Fuzzy neuro approach to fault classification for transmission line protection. IEEE Transactions on Power Delivery, Vol. 13, No. 4, pp. 1093–1104. [5] W. H. Chen, C. W. Liu, and M. S. Tsai. (2000). On line fault diagnosis of distribution substations using hybrid cause effect network and fuzzy rule based method. IEEE Transactions on Power Delivery, Vol. 15, No. 2, pp. 710–717. [6] W.-M. Lin, C.-D. Yang, and J. H. Lin. (2001). A fault classification method by RBF neural network with OLS learning procedure. IEEE Trans. Power Del., vol. 16, no. 4, pp. 473–477. [7] B. Kasztenny, B. Campbell B, and J. Mazereeuw J. (2000). Phase selection for single-pole tripping: Weak infeed condition and cross-country faults in Proc.27th Annual Western Protective Relay Conf., Spokane,WA, [8] T. Adu. (2002). An accurate fault classification technique for power system monitoring devices,” IEEE Transactions on Power Delivery, Vol. 17, No. 3, pp. 684–690. [9] Biswarup Das. (2006). Fuzzy Logic-Based Fault-Type Identification in Unbalanced Radial Power Distribution System”, Member, IEEE Transactions on Power Delivery, Vol. 21, No. 1. [10] Sri Koestanto, Adi Soeprijanto dan Mauridhi Hery P. (2007). Identifikasi Tipe Gangguan Hubungansingkat Berdasarkan Komponen Simetri Arus Gangguan Pada Saluran Distribusi Radial Menggunakan Fuzzy. Prosiding Seminar Nasional Ke XIII FTI, ITS, Surabaya. [11] Software Matlab, Mathwork Inc., (Version 7.01). [12] Saadat, H. (1999). Power System Analysis. Milwaukee School of Engineering, [13] Koestanto, S. (2007). Identifikasi gangguan hubungan singkat pada sistem distribusi 11 kV unit kaltim-4 PT. Pupuk Kaltim menggunakan Genetic Algorithm (GA) – Fuzzy. Thesis. Teknik Elektro, FTI, ITS Surabaya. [14] J.-S. R. Jang, C.-T. Sun and E. Mizutani. (1997). Neuro-Fuzzy and Soft Computing. Prentice-Hall, London. [15] Pohlheim, H. (2005) “GEATbx Introduction Evolutionary Algorithms: Overview, Methods and Operators version 3.7 Documentation for: GEATbx version 3.7 (Genetic and Evolutionary Algorithm Toolbox for use with Matlab)” www: http://www.geatbx.com/, Email:
[email protected].
150