OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI‐ITS
Dosen Pembimbing : Heri Suryoatmojo, ST, MT, Ph.D Vita Lystianingrum Budiharto Putri, ST, M.Sc
ANALISIS PROSES OPTIMASI Parameter
PARAMETER TURBIN ANGIN • • • • • •
Luas lahan angin = 2 km x 2 km Jari‐jari rotor (rr) = 40 meter Jarak antar turbin (x) = 200 meter Kecepatan awal (u0) = 12 m/d Tinggi menara (z) = 60 meter Kekasaran permukaan tanah (z0) = 1 meter
Fungsi g Objektif j
PARAMETER ALGORITMA GENETIKA • • • • • •
Jumlah gen (Nbit) = 10 Jumlah variabel (Nvar) = 10 Jumlah populasi (UkPop) = 40 Jumlah populasi (UkPop) 40 Probabilitas pindah silang (Pc) = 0,8 Probabilitas mutasi (Pm) = 0,05 Generasi maksimum (MaxG) = 200
2
ANALISIS PROSES OPTIMASI Parameter
Fungsi Objektif
Fungsi Biaya (Cost) :
Fungsi Daya (Ptot) :
N = Jumlah turbin angin
V = kecepatan angin
Fungsi Objektif :
OPTIMASI ALGORITMA GENETIKA
•
Tujuan inisialisasi populasi : Membangkitkan populasi awal yang berukuran UkPoP x JumGen.
•
Setiap kromosomnya terdiri dari gen-gen yang berupa bilangan biner acak berbentuk vektor baris berukuran 1x100.
•
Bilangan 1 mewakili ada turbin angin dan bilangan 0 mewakili tidak ada turbin.
OPTIMASI ALGORITMA GENETIKA
• • •
Tujuan Dekode kromosom : Setiap kromosom yang berisi bilangan biner dikodekan menjadi individu ‘x’ Hasil dari fungsi ini adalah individu ‘x’ yang terdiri dari x(1) sampai x(10). x(1) adalah hasil dekode dari Kromosom(1) sampai Kromosom(10), begitupun untuk individu ‘x’ selanjutnya.
OPTIMASI ALGORITMA GENETIKA ¾ EEvaluasi l i individu i di id : Menghitung M hit nilai il i fitness fit d i suatu dari t individu i di id ‘x’ ‘ ’ dari d i persamaan fungsi objektif :
Membandingkan nilai fitness agar diperoleh nilai fitness dari individu mana yang paling yang paling maksimum (MaxF) dan minimum (MinF).
Proses Elitisme l : Membuat satu atau dua kopi dari individu bernilai fitness tertinggi dan disimpan pada variabel TempPopulasi.
OPTIMASI ALGORITMA GENETIKA ¾ TTujuan j P k l Penskalaan nilai il i fitness : fi Melakukan penskalaan nilai‐ nilai fitness agar diperoleh nilai fi fitness b baru yang lebih l bih baik, b ik yaitu yang memiliki variansi tinggi.
¾ TTerdapat d perintah i h sort untukk mengurutkan nilai fitness dari kecil ke besar (ascending) (ascending).
¾ Penskalaan nilai fitness menggunakan persamaan :
f(i) = fitness baru hasil pensklaan f(max) = fitness tetinggi hasil evaluasi individu f(min) = fitness terendah hasil evaluasi individu R(i) = ranking individu ke i N = jumlah individu dalam populasi
OPTIMASI ALGORITMA GENETIKA • •
Tujuan j seleksi : memilih kromosom mana yyangg akan menjadi j induk dan mengalami proses perkawinan atau pindah silang. Proses ini dilakukan dengan sistem pemilih acak berbobot menggunakan metode roulette wheel. ¾ Menghitung Jumlah Fitness hasil penskalaan nilai fitness ¾ M Membandingkan b di k setiap ti nilai il i fitness fit dengan Jumlah Fitness ¾ Membangkitkan bilangan acak RN pada interval (0,1) (0 1) ¾ Apabila nilai fitness/Jumlah Fitness lebih besar dari bilangan random yang dibangkitkan maka kromosom dengan indeks‐ii akan terpilih sebagai induk
OPTIMASI ALGORITMA GENETIKA • •
Tujuan pindah silang : memindahsilangkan gen‐gen induk untuk menghaslkan dua buah kromosom anak. Proses ini dilakukan dengan skema one point crossover.
¾ Menentukan satu titk p potongg secara acak p pada kedua induk. ¾ Memindahkan gen‐gen antara kedua induk dengan titk pototng sebagai batasannya. ¾ Bagian depan Bapak dan bagian belakang Ibu menghasilkan kromosom Anak 1 ¾ Bagian belakang Bapak dan bagian depan Ibu menghasilkan kromosom Anak 2
¾ Crossover terjadi Jika bilangan random (rand) yang dibangkitkan kurang dari Psilang
OPTIMASI ALGORITMA GENETIKA • •
Tujuan j mutasi : memodifikasi nilai ggen dalam satu kromosom. Proses ini dilakukan dengan skema swap mutation
¾ Membangkitkan nilai random (rand) pada setiap proses perulangan. ¾ Jika rand
SIMULASI DAN ANALISA Hasil Simulasi dan Analisa •
Hasil Perhitungan Manual dan Analisa
Simulasi dilakukan dengan 10 kali running program . Hasil yang diperoleh adalah :
SIMULASI DAN ANALISA Hasil Simulasi dan Analisa •
Hasil Perhitungan Manual dan Analisa
Grafik dan konfigurasi hasil optimasi dengan 46 turbin angin
SIMULASI DAN ANALISA Hasil Simulasi dan Analisa
Hasil Perhitungan Manual dan Analisa
•
Dari hasil simulasi diperoleh : jumlah turbin yang digunakan menunjukkan angka yang berbeda yaitu berkisar 39 sampai 53 buah turbin. Total daya yang dihasilkan berkisar pada 85,908 MW sampai 115,05 MW dengan total biaya antara 26.92 sampai 35.46. Efisiensi yang diperoleh berkisar antara 68% sampai 68% sampai 88%. 88%
•
Solusi yang diperoleh dari setiap kali running berbeda‐beda. Hal ini dikarenakan adanya fungsi random pada setiap fungsi yang terdapat pada algoritma genetika. Jumlah turbin yang banyak tidak selalu menghasilkan daya yang lebih besar. Hal ini dikarenakan terjadi pengurangan kecepatan pada turbin‐turbin tertentu akibat turbin di depannya. Total biaya yang dihasilkan tergantung dari banyaknnya turbin yang digunakan. Semakin banyak turbin yang digunakan maka total biaya akan lebih banyak mengalami pengurangan.
•
•
SIMULASI DAN ANALISA Hasil Simulasi dan Analisa •
Hasil Perhitungan Manual dan Analisa
Hasil simulasi dengan 46 buah turbin angin dibandingkan dengan bentuk konfigurasi yang dibuat secara manual.
Konfigurasi Simulasi
Konfigurasi Manual
SIMULASI DAN ANALISA Hasil Simulasi dan Analisa •
Diperoleh hasil :
Hasil Perhitungan Manual dan Analisa
SIMULASI DAN ANALISA Hasil Simulasi dan Analisa
Hasil Perhitungan Manual dan Analisa
•
Hasil simulasi menunjukkan nilai‐nilai yang lebih baik untuk daya dan efisiensi, yaitu 115,05 MW dan 87% dibandingkan dengan hasil perhitungan manual sebesar 57,94 MW dan 48%.
•
Sedangkan untuk biayanya, hasil simulasi dengan perhitungan manual menunjukkan nilai yang sama, yaitu biaya sebesar 31,05. Hal ini dikarenakan untuk menghitung biaya hanya dipengaruhi oleh banyaknya turbin yang digunakan. Karena jumlah turbin yang digunakan pada simulasi dan perhitungan manual adalah sama maka biaya yang dihasilkan juga bernilai sama.
Penutup Dari hasil simulasi dan perhitungan manual dapat disimpulkan bahwa : 1 M 1. Metode t d algoritma l it genetika tik d t digunakan dapat di k sebagai b i salah l h satu t solusi l i dalam d l menentukan konfigurasi penempatan turbin angin dalam suatu ladang angin secara optimum. 2. Dengan jumlah turbin yang sama tetapi dengan konfigurasi yang berbeda, dari simulasi dan perhitungan manual menunjukkan hasil yang berbeda untuk total daya dan efisiensi. Hasil dari simulasi menggunakan algoritma genetika lebih optimum dibanding dengan perhitungan manual. 3. Sedangkan untuk biaya, hasil simulasi dan perhitungan manual menunjukkan hasil yang sama karena biaya hanya dipengaruhi oleh banyaknnya turbin yang digunakan. digunakan
