Optimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global

Optimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global Johny Custer1,, Indar Chaerah Gunadin2, Ontoseno Penangsang3, Adi Soeprijanto4 1,2,3,4

Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60111 1 Politeknik Bengkalis, Jln bathin Alam desa Sungai Alam Bengkalis28712 2 Teknik Elektro, Universitas Hasanuddin Makassar, 90245

Email : [email protected] dan [email protected]

Abstrak Operasi sistem tenaga listrik harus dikelola secara efisien, efektif, dan aman. Pembangkitan dan penyaluran energi harus dilakukan seekonomis mungkin dengan tetap mempertahankan keamanan. Untuk mencapai tujuan tersebut terdapat kendala yang harus dihadapi yaitu kapabilitas kemampuan operasi generator dan kestabilan steady state sistem secara keseluruhan. Kendala ini disebabkan dalam sistem kelistrikan akan selalu terjadi perubahan daya pada beban yang mengakibatkan terjadi perubahan daya pada generator. Makalah ini mengusulkan optimisasi operasi suatu sistem tenaga listrik menggunakan Modified Improved Particle Swarm Optimization (MIPSO) dengan mempertimbangkan batasan kemampuan operasi generator dan batasan kestabilan steady state yang menerapkan metoda REI (Radial Equivalent Independent) Dimo. Diharapkan dengan tambahan batasan yang diusulkan, generator dapat beroperasi pada batas titik operasi generator sehingga kondisi operasi paling ekonomis dan aman dapat dicapai. Simulasi dilakukan pada sistem 500 kV Jawa Bali yang terdiri dari 8 generator dan 23 bus. Kata kunci : MIPSO,Kestabilan steady state, kurva kapabilitas generator, optimal power flow. REI Dimo method.

1. Pendahuluan Operasi sistem tenaga listrik berhubungan dengan biaya operasi yang besar dan kualitas yang diberikan oleh produsen kepada konsumen. Pengoperasian pembangkit merupakan biaya terbesar dalam sistem tenaga listrik sehingga sangat diperlukan cara pengoperasian pembangkitan yang efisien. Salah satu solusi bagi produsen listrik untuk menekan biaya operasi adalah dengan menentukan aliran daya yang optimal (optimal power flow). Analisis aliran daya optimal untuk meminimalkan biaya pembangkitan biasanya dikenal dengan economic dispatch. Sebelumnya para peneliti telah melakukan penelitian penelitian untuk mendapatkan nilai ekonomis dalam operasi sistem tenaga listrik baik secara konvensional maupun menggunakan artificial intelligence (AI). Agar batas pengoperasian generator benar-benar realistis, maka batas yang dipakai sebaiknya batas kurva kapabilitas generator. Supaya kurva kapabilitas generator dapat digunakan sebagai konstraint dalam Optimal Power Flow (OPF) maka digunakan model neural network sebagai pengganti kurva kapabilitas generator. Model ini telah dikembangkan oleh Mat Sya’in dkk. Sebuah teknik serba cepat dengan latar belakang validasi nilai batas keamanan yang digunakan dalam kaitannya dengan aplikasi real-time nilai

stabilitas steady state dikembangkan oleh Paul Dimo dan telah dibuktikan pemanfaatanya. Metode Radial Equivalent Independent (REI) Dimo dapat digunakan untuk kriteria stabilitas daya reaktif, juga dikenal sebagai dQ/dV atau d∆Q/dV untuk mengevaluasi stabilitas klasik. Pada makalah ini diusulkan optimisasi operasi suatu sistem tenaga listrik menggunakan metode Modified Improved Particle Swarm Optimization (MIPSO) mempertimbangkan batasan kemampuan operasi generator menggunakan Neural Network dan batasan kestabilan steady state yang menerapkan metoda REI Dimo. Diharapkan dengan tambahan batasan yang diusulkan berdasarkan referensi diatas, generator dapat beroperasi pada batas titik operasi generator sehingga kondisi operasi paling ekonomis dan aman dapat dicapai. 2. Metodologi Penelitian Flowchart dari tahapan penelitian yang dilakukan dalam penelitian ditunjukan pada gambar 1 berikut.

PD = total beban (MW), PL = total losses (MW) Pi = total daya yang dibangkitkan (MW) Pimin dan Pimax adalah output minimum dan maksimum pembangkit.

Mulai Data Saluran Data Pembebanan Data Pembangkitan Menentukan Parameter MIPSO Menentukan Optimisasi Biaya Pembangkitan OPF MIPSO dengan Kontrain Kurva Kapabilitas Generator

Melihat Batasan Keamanan Generator

Tidak

Ya Nilai optimisasi setiap pembangkit digunakan untuk menentukan kestabilan steady state menggunakan REI Dimo

Melihat Batasan Kestabilan Steady State

Tidak

Ya Selesai

Gambar 1. Flowchart tahapan penelitian

2.1. Perhitungan Biaya Pembangkitan Secara umum fungsi biaya dari pembangkit dapat diformulasikan secara matematis sebagai suatu fungsi obyektif seperti yang diberikan dalam persamaan berikut. n

FT = ∑ Fi ( Pi ) i =1

(1)

Fi ( Pi ) =ai + bi Pi + ci Pi 2 (2) dengan : = total biaya pembangkitan (Rp). FT Fi(Pi) = fungsi biaya input-output dari pembangkit i (Rp/jam). ai, bi, ci = koefisien biaya dari pembangkit i. = output pembangkit i (MW) Pi n = jumlah unit pembangkit. = indeks dari dispatchable unit i Batasan batasan yang dipenuhi perhitungan adalah : 1. Batasan keseimbangan daya N

∑P = P i =1

i

D

dalam

+ PL

(3) 2. Batasan maksimum dan minimum daya aktif Pimin ≤ P ≤ Pimax i (4) 3. Batasan kurva kapabilitas generator dengan :

2.2. Particle Swarm Optimization Particle Swarm Optimization (PSO) adalah salah satu dari teknik komputasi evolusioner, yang mana populasi pada PSO didasarkan pada penelusuran algoritma dan diawali dengan suatu populasi yang random yang disebut dengan particle. Kesederhanaan algoritma dan performansinya yang baik, menjadikan PSO telah menarik banyak perhatian di kalangan para peneliti dan telah diaplikasikan dalam berbagai persoalan optimisasi sistem tenaga. 2.2.1. Dasar PSO Particle Swarm Optimization (PSO) sebagai metode optimisasi mempunyai beberapa langkah untuk menjalankan algoritmanya. Menurut referensi yang ditulis Maickel Tueguh, algoritma PSO dapat kita bagi menjadi beberapa poin sebagai berikut : 1. Inisialisasi populasi dari particle-particle dengan posisi dan velocity secara random dalam suatu ruang dimensi penelusuran. 2. Evaluasi fungsi fitness optimisasi yang diinginkan di dalam variabel pada setiap particle. 3. Membandingkan evaluasi fitness particle dengan Pbestnya. Jika nilai yang ada lebih baik dibandingkan dengan nilai Pbestnya, maka Pbest diset sama dengan nilai tersebut dan Pi sama dengan lokasi particle yang ada Xi dalam ruang dimensional d. 4. Identifikasi particle dalam lingkungan dengan hasil terbaik sejauh ini. 5. Update velocity dan posisi particle. 6. Kembali ke step 2 sampai kriteria terpenuhi, biasanya berhenti pada nilai fitness yang cukup baik atau sampai pada jumlah maksimum iterasi. 2.2.2 IPSO Parameter inertia weight dimasukan kedalam algoritma PSO stándar. Persamaan dinamis dari PSO dengan inertia weight (w) dimodifikasi atau disebut dengan Improved Particle Swarm Optimization (IPSO) menjadi :

(

)

(

Vi k +1 = ωVi k + c1rand1 x Pbestik − X ik + c2 rand 2 x Gbest k − X ik

(5) dengan : Vik k w c1,c2 rand1,rand2

)

= velocity individu i pada iterasi = parameter weight = koefisien akselerasi = jumlah random antara 0 dan 1

Xik Pbestik k Gbestik k

= posisi individu i pada iterasi k = Pbest individu i sampai iterasi = Gbest kelompok sampai iterasi

Pada proses update velocity ini, nilai-nilai parameter seperti w, c1 dan c2 harus ditentukan terlebih dahulu. Secara umum parameter weight w diperoleh dengan menggunakan persamaan (6) berikut ini [2-6]: w − wmin = w wmax − max xIter Itermax (6) Perpindahan partikel ke posisi berikutnya atau posisi baru berdasarkan : +1 X ik= X ik + Vi k +1

(7)

direpresentasikan sebagai vector X i0 = ( Pi1 ,..., Pin ) , dimana n adalah jumlah pembangkit dalam perhitungan economic dispatch. 2. Update velocity. Untuk memodifikasi posisi dari setiap individu sehingga posisi individu mengalami perpindahan dari posisi semula maka perlu dihitung velocity pada stage berikut yang telah dimodifikasi dengan menggunakan Inertia weigth seperti yang diberikan persamaan (9). 3. Update posisi individu. Posisi setiap individu dapat dimodifikasi dengan (3.6) menggunakan persamaan (7), sehingga diperoleh posisi individu yang baru. Oleh karena posisi individu yang diperoleh dengan hasil modifikasi tersebut tidak dapat memberikan jaminan untuk memenuhi inequality constraint akibat over/under velocity, maka posisi individu yang telah dimodifikasi tersebut akan diset kembali dengan menggunakan persamaan (11). Pada saat yang sama equality constraint persamaan (3) juga harus dipenuhi.

2.2.3 MIPSO Persamaan (5) dan (7) adalah persamaan dasar algoritma PSO yang dimodifikasi dengan menggunakan Inertia Weigth Aproach (IWA).  Pijk if Pij ,min ≤ Pijk ≤ Pij ,max  Inertia weigth diperkenalkan untuk =  Pijk  Pij ,min if Pijk < Pij ,min menyeimbangkan kemampuan antara  k   Pij ,max if Pij > Pij ,max penelusuran global dan lokal. Clerc memperkanalkan parameter lain yang disebut dengan Constriction Factor Approach (CFA) (11) yang digunakan untuk memodifikasi algoritma IPSO yang ada dan dikenal dengan sebutan 4. Update Pbest dan Gbest. Modified Improved Particle Swarm Optimization Pbest dari setiap individu pada iterasi k+1 di (MIPSO). modifikasi dengan menggunakan persamaan (12) Persamaan modifikasi velocity pada setiap : particle dengan menggunakan constriction factor = P best ik +1 X ik +1 if TCik +1 < TCik menurut Shi Yao Lim dkk dapat dinyatakan = P best ik +1 P best ik if TCik +1 ≥ TCik dengan persamaan (8) berikut, (12)

(

(

)

(

Vi k +1 = C Vi k + c1rand1 x Pbestik − X ik + c2 rand 2 x Gbest k − X ik

))

(8) dengan coefisient constriction : C=

2 2 − ϕ − ϕ 2 − 4ϕ

, dengan ϕ = c1 + c 2 , dan ϕ > 4

Pada umumnya peneliti menerapkan

(9) constriction factor pada algoritma PSO dengan mengeset nilai c1 dan c2 = 2.05 sehingga diperoleh nilai C = 0.729. 2.3. Implementasi MIPSO Bagian ini akan menguraikan implementasi metoda algoritma Modified Improved Particle Swarm Optimization (MIPSO) yang ditulis Shi Yao Lim dkk dalam perhitungan biaya pembangkitan yang ekonomis . 1. Intialisasi posisi dan individu pada individu. Struktur dari suatu individu pada persoalan economi dispatch terdiri atas seperangkat elemen-elemen yaitu output pembangkitan. Oleh karena itu posisi individu i pada iterasi 0 dapat

5. Proses selesai. Proses iterasi pada algoritma MIPSO berhenti jika diperoleh nilai yang paling optimum pada penelusuran partikel atau jika mencapai iterasi. 2.4. Kestabilan Steady State Stabilitas Steady State Dengan Pendekatan DIMO Salah satu metode untuk menyelesaikan permasalahan stabilitas sistem tenaga listrik adalah menggunakan pendekatan Radial Equivalent Independent (REI) Dimo yang dikembangkan Paul dimo. REI dapat mereduksi bus yang memiliki beban menjadi sebuah bus beban ekivalen. Sistem 500 kV Jawa Bali terdiri atas 23 bus dengan 28 saluran dan 8 pembangkit. Dengan menggunakan metode DIMO maka sistem Jawa Bali 500 kV dapat direduksi menjadi 9 bus yang terdiri dari 8 pembangkit dan sebuah bus beban. Untuk melihat stabilitas steady state digunakan formula d∆Q / dV dan kurva P-V yang terdapat dalam REI-DIMO.

Tahapan reduksi jaring sistem Jawa bali 500 kV adalah sebagai berikut: 1. Menjalankan load flow 2. Menentukan bus beban 3. Menentukan bus netral fiktif 4. Menghubungkan bus beban ke bus netral fiktif dengan admintansi Y bus konstan. Persamaan Y bus konstan adalah P + jQ Ybus = V2 (13) 5. Menentukan arus I dari bus beban ke bus netral fiktif dengan persamaan

 S *in I =   E i − jFi

  

(14) 6. Menentukan bus load center 7. Hukum Kirchhoff digunakan untuk menentukan arus yang mengalir ke bus load center 8. Hitung daya yang menuju bus netral fiktif 9. Menentukan nilai impedansi Zlc dari bus netral fiktif ke bus load center mengunakan  P + jQ  persamaan, R lc + jX lc =    I×I* 

Bali yaitu data pembebanan pada tanggal 17 maret 2009 jam 19.30. 3.1. Simulasi Optimisasi dengan OPF MIPSO Tabel 1 menunjukkan real system Jawa Bali berdasarkan data yang diperoleh (sebelum dilakukan perhitungan optimisasi). Tabel 3 dan gambar 5 adalah hasil perhitungan setelah dilakukan optimisasi dengan constraint. Tabel 1. Hasil simulasi Sistem Jawa Bali jam 19.30 tanggal 17 Maret 2009 (sebelum optimasi) P Q Biaya Pembangkit (MW) (MVar) (Rp/Jam) Suralaya 3.338,909 1.253,367 2.056.251.091,930 Muara Tawar 1.470,000 1.576,579 5.243.786.025,070 Cirata 400,000 621,853 2.400.000,000 Saguling 535,000 -351,615 2.943.570,000 Tanjung Jati 830,000 429,669 180.378.776,980 Gresik 810,000 654,927 729.802.889,660 Paiton 2.820,000 932,904 528.641.810,780 Grati 198,000 409,791 504.471.401,820 Total

10.401,909

5.527,474

9.248.675.566,240

Untuk nilai indeks stabilitas dari data real system diperoleh nilai indeks stabilitas sebesar -35,4650

(15) dengan : Zlc = impedansi load center, Rlc = resistansi load center, Xlc = reaktansi load center dan Ilc = arus load center 10. Ubah impedansi Zlc ke dalam bentuk admintansi Ylc 11. Tentukan tegangan di load center dengan persamaan

Vlc =

S lc I *lc

(16) 12. Jalankan load flow untuk menghasilkan admintansi Y bus baru. 13. Reduksikan matrik Y dengan Gaussian. 14. Analisis batas stabilitas steady state akibat pertambahan beban dengan menggunakan persamaan (17). Y E d∆Q   = ∑ m m − 2 ∑ Ym + Yload V dV m cos δ m  m 

(17) 3. Simulasi dan Hasil 3.1. Data Plant Sistem yang digunakan untuk simulasi dalam pengujian ini adalah sistem kelistrikan Jawa Bali 500 kV. Sistem interkoneksi tenaga listrik 500 kV Jawa Bali terdiri dari 23 bus, 28 saluran transmisi, dan 8 pembangkit tenaga listrik. Data pembebanan sistem 500 kV diperoleh dari data lapangan melalui PT PLN (Persero) P3B Jawa

Gambar 2. Kurva Kapabilitas Generator hasil optimisasi dengan constraint

Tabel 2. Hasil simulasi Sistem Jawa Bali setelah dioptimisasi dengan konstraint berdasarkan OPF MIPSO P Q Biaya Pembangkit (MW) (MVar) (Rp/Jam) Suralaya 3.295,983 1.637,349 2.020.486.356,413 Muara Tawar 1.094,016 1.293,333 3.645.949.941,575 Cirata 400,000 -43,815 2.400.000,000 Saguling 535,000 355,597 2.943.570,000 Tanjung Jati 1.170,866 618,164 262.517.405,612 Gresik 809,434 465,611 729.242.206,409 Paiton 2.972,519 1.238,339 580.449.860,950 Grati 163,282 381,865 428.165.449,850 Total

10.441,100

Nilai indeks stabilitas optimisasi adalah -26,4305

5.946,442

setelah

7.672.154.790.810

dilakukan

4. Pembahasan Hasil Simulasi pertama dilakukan dengan menggunakan data riil pembangkitan sistem Jawa Bali dan data beban yang digunakan adalah data pembebanan pada saat terjadi beban puncak pada hari selasa tanggal 17 maret 2009 pada jam 19.30 WIB. Dari hasil analisa aliran daya metode newton raphson diperoleh nilai P (daya aktif , daya reaktif dan biaya pembangkitan masing masing pembangkit. Dari simulasi juga diperoleh nilai losses pada saluran sebesar 119,937 MW, sehingga beban dasar yang semula 10.282 bertambah menjadi 10.401,909 MW. Nilai indeks stabilitas diperoleh dengan menggunakan metode REI Dimo pada persamaan (17), adapun nilai indeks yang diperoleh sebesar -35,4650. Sistem dinyatakan aman apabila nilai indeks yang diperoleh ≤ 0. Pada simulasi kedua dicoba untuk mengoptimisasi biaya pembangkitan dari data riil yang ada. Metode yang ditawarkan adalah Modifeid Improved particle Swarm Optimization (MIPSO). Optimisasi yang dilakukan dibatasi dengan batasan kurva kapabilitas generator dan kestabilan steady state. Dengan algoritma MIPSO akan diperoleh berupa output (daya aktif) masing masing pembangkit dan total biaya pembangkitan yang paling minimal. Karena Sistem Jawa Bali 500 kV yang terdiri dari pembangkitan jenis hidro (Cirata dan Saguling) dan Pembangkitan jenis Termis (Suralaya, Muara Tawar, Tanjung Jati, Gresik, Paiton, dan Grati) maka untuk perhitungan optimisasinya juga dilakukan pemisahan. Untuk memenuhi kebutuhan beban, pembangkitan hidro dioperasikan semaksimal mungkin dan selanjutnya baru dioptimisasi pembangkitan termis. Sesuai dengan klasifikasi bus pada analisa aliran daya, Data yang diketahui untuk bus piket (slack bus) adalah tegangan dan sudut. Untuk bus generator adalah nilai P dan V (tegangan) dan untuk bus beban adalah nilai P (daya aktif) dan Q

(daya reaktif). Nilai P masing masing pembangkitan telah diperoleh dari hasil MIPSO, sehingga perhitungan analisa aliran daya bisa dilakukan. Hasil yang diperoleh dari analisa aliran daya dengan batasan kurva kapabilitas generator adalah total biaya pembangkitan, pengoperasian pada bus piket dan kerugian pada jaringan. Total biaya pembangkitan yang diperoleh sebesar 7.672.154.790,810 Rp/Jam dan losses sebesar 159,100 MW. Selanjutnya dihitung nilai indeks stabilitas steady state menggunakan metode REI Dimo. Adapun hasil yang diperoleh adalah 26,4305 (masih dalam batasan kestabilan steady state). Apabila dibandingkan biaya pembangkitan sebelum dan sesudah optimisasi diperoleh selisih sebesar Rp. 1.576.520.775. Hal ini menunjukan metoda optimisasi yang diusulkan mampu mencari kombinasi pembangkitan yang lebih murah dan beroperasi pada batasan kurva kapabilitas dan kestabilan steady state. Dengan kata lain pengoperasian pembangkitan lebih murah dan masih batasan keamanan operasi.

5. Kesimpulan dan Saran 5.1. Kesimpulan 1. Dari optimisasi operasi pembangkit yang dilakukan menggunakan MIPSO, hasil simulasi menunjukan penurunan biaya operasi yang cukup besar. Dari biaya operasi real sebesar Rp 9.248.675.566,240 berkurang menjadi Rp 7.672.154.790,810 atau ada penghematan sebesar Rp. 1.576.520.775 (sekitar 17,05 %) 2. Optimisasi yang dilakukan masih berada pada batasan batasan yang ditetapkan, baik batas kurva kapabilitas generator berdasarkan model NN maupun batas kestabilan steady state menerapkan metode REI Dimo. 5.2. Saran 1. Modified Improved Particle Swarm Optimization (MIPSO) yang digunakan masih memerlukan penelitian dan pengembangan lebih lanjut untuk lebih memperbaiki performansinya. Metode ini dapat dikombinasikan dengan metode lain untuk mendapatkan nilai total biaya pembangkitan, rugi transmisi dan penerapannya pada real sistem secara on-line untuk menangani persoalan economic dispatch. 2. Penelitian ini hanya melihat stabilitas secara keseluruhan sistem, sehingga sulit menganalisis stabilitas pada masing-masing bus.

6. Penghargaan Penghargaan sebesar besarnya penulis sampaikan kepada Bapak Prof. Dr. Ir. Ontoseno Penangsang dan Bapak Prof. Dr. Ir. Adi Soeprijanto, MT selaku pembimbing penulis yang telah banyak membina dan membimbing penulis. Selanjutnya kepada Bapak Indar Chaerah Gunadin ST, MT yang selalu memberikan masukan masukan dan ide cemerlang sehingga penulisan artikel ini dapat diselesaikan. Terima kasih juga diucapkan kepada keluarga besar S2 angkatan 2009 teknik sistem tenaga teknik elektro ITS dan keluarga besar Politeknik Bengkalis. DAFTAR PUSTAKA C. H. Chen, and S. N. Yeh, (2006). Particle Swarm Optimization for Economic Power Dispatch with Valve-Point Effect, IEEE PES Transmission and Distribution Conference and Exposition Latin America, Venezuela. Hadi Saadat, (1999). Power System Analysis, McGraw-Hill International Edition. Jong-Bae Park, Yun-Won Jeong, (2006). HyunHoung Kim and Joong-Rin Shin, , An Improved Particle Swarm Optimization for Economic Dispatch with Valve-Point Effec, International Journal of Innovations in Energy Systems and Power, Vol. 1, no. 1. November. Kwang Y. Lee, and Jong-Bae Park, (2006). Application of Particle Swarm Optimization to Economic Dispatch Problem: Advantages and Disadvantages, IEEE Transactions on Power Sistems. Maickel Tueguh, Soeprijanto, Mauridhi Hery Purnomo, (2009). Modified Improved Particle Swarm Optimization For Optimal Generator Scheduling, Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Yogkarta. Mat Syai’in, Adi Soeprijanto, and Takashi Hiyama, (2009). Generator Capability Curve Constraints for PSO Based Optimal Power Flow. Word Academy of Science, Engineering and Technology, Vol.53. Mat Syai’in and Adi Soeprijanto, (2010). Neural Network Optimal Power Flow (NN-OPF) based on IPSO with Developed Load Cluster Method, Word Academy of Science, Engineering and Technology, Vol.72. Prabha Umapathy, C. Venkataseshaiah, and M. Senthil Arumugam, (2010). Particle Swarm Optimization With Various Inertia Weight Variants for Optimal Power Flow Solution, Discrete Dynamics In Nature and Society. Savu C. Savulescu, (2009). Real-Time Stability Assessment in Modern Power System

Control Centers, A John Willet & Sons, Inc. Publication. Shi Yao Lim, Mohammad Montakhab, and Hassan Nouri, (2009). Economic Dispatch of Power System Using Particle Swarm Optimization with Constriction Factor, International Journal of Innovations in Energy System and Power, Vol 4 No 2, October, p 29-34.