PEMODELAN KURVA KARAKTERISTIK INVERSE OVER CURRENT RELAY OLEH USER MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Moch Harun Arrosyid.1, Ir. Anang Tjahjono , MT2, Ainur Rofiq Nansur, ST, MT2 Mahasiswa Politeknik Elektronika Negeri Surabaya-ITS1 Dosen Politeknik Elektronika Negeri Surabaya-ITS2 Email:
[email protected]
Abstrak Over Current Relay (OCR) bekerja dengan membaca masukan berupa besaran arus kemudian membandingankan dengan nilai setting, apabila nilai arus yang terbaca oleh rele melebihi nilai setting, maka rele akan mengirim perintah trip (lepas) kepada Pemutus Tenaga (PMT) atau Circuit Breaker (CB) setelah tunda waktu yang diterapkan pada setting. OCR dengan karakteristik inverse sangat bermanfaat untuk mengamankan overload / beban lebih, karena bekerja dengan waktu tunda yang tergantung dari besarnya arus secara terbalik (inverse time), makin besar arus makin kecil waktu tundanya. Kurva karakteristik inverse pada OCR sesuai dengan standar IEC ada 4 jenis, yaitu : standard inverse (SI), very inverse (VI), extreme inverse (EI), long time inverse (LTI), yang dapat dipilih (menggunakan persamaan standar IEC), namun sering sekali pengguna memerlukan kurva karakteristik yang tidak standard yang memang dibutuhkan, pada proyek akhir ini telah berhasil dibuat OCR dengan menerapkan kemampuan belajar Adaptive Neuro Fuzzy Interference System (ANFIS) untuk membuat kurva karakteristik sesuai keinginan pengguna. Personal Computer (PC) digunakan sebagai sarana untuk menggambar kurva karakteristik yang dikehendaki, kemudian dilakukan inisialisasi serta learning hingga sesuai dengan kurva yang diinginkan, dan parameter hasil learning yang telah dilakukan di PC dikirim ke Microcontroller sebagai parameter running yang dirancang sebagai OCR. Perangkat OCR yang berhasil dibuat mempunyai dua pilihan penggunaan kurva karakteristik yakni dengan menggunakan kurva karakteristik standard (4 jenis kurva) atau didisain sendiri oleh user (pemodelannya menggunakan ANFIS dengan jumlah Membership Function=5, dan epoch ke-10 menghasilkan error = 1.60E-21) sesuai dengan beban yang ingin diamankan dari gangguan beban lebih. Kata Kunci : Over Current Relay, karakteristik inverse, ANFIS, Circuit Breaker
BAB I PENDAHULUAN 1.1
1
Latar Belakang
TEORI PENUNJANG OVER CURRENT RELAY (OCR) Over Current Relay (OCR) atau relay pengaman arus lebih adalah suatu alat yang mendeteksi besaran arus yang melalui suatu jaringan dengan bantuan trafo arus, apabila nilai arus yang terbaca oleh relay melebihi nilai setting, maka relay akan mengirim perintah trip (lepas) kepada Pemutus Tenaga (PMT) atau Circuit Breaker (CB) setelah tunda waktu yang diterapkan pada setting. Harga atau besaran yang boleh melewatinya disebut dengan setting.
ANFIS Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan kombinasi Artificial Neural Network dan Fuzzy Inference System, yang menggunakan model inferensi Sugeno. Untuk memudahkan dalam menjelaskan arsitektur ANFIS, di sini diasumsikan fuzzy inference system hanya mempunyai dua input, x dan y. Serta satu output yang dilambangkan z. Pada model sugeno orde satu, himpunan aturan menggunakan kombinasi linier dari input – input yang ada dapat diekspresikan sebagai:
KARAKTERISTIK OCR Karakteristik waktu pengaman over current : Instant(sesaat/ Instantaneous) Relay bekerja sangat cepat (langsung trip), yang bekerja seketika (tanpa waktu tunda) ketika arus yang mengalir melebihi nilai settingnya, relay akan bekerja dalam waktu beberapa mili detik (10 – 20 ms). Dapat kita lihat pada gambar dibawah ini. Difinite Time Lag (waktu tertentu) Terdapat penundaan waktu tertentu (tidak tergantung besarnya arus yang mengerjakan relay) antara saat terjadinya gangguan dan saat bekerjanya kontak-kontak relay.Relay akan memberikan perintah pada PMT pada saat terjadi gangguan yang melampaui settingnya (Is), waktu tertentu, Inverse Time Lag (waktu terbalik) Lama waktu antara terjadinya gangguan dan saat bekerjanya kontakontak, berbanding terbalik dengan besarnya arus gangguan.
IF x is A1 AND y is B1 THEN f1 = p1x+q1y+r 1 IF x is A2 AND y is B2 THEN f2 = p2x+q2y+r 1
Mekanime penalaran pada model ini adalah : w1f1 + w2f2 = = w1′ + w2′ w1 + w2 Selanjutnya arsitektur ANFIS untuk kasus dua input, x dan y, serta satu output yang dilambangkan z diilustrasikan oleh gambar dibawah ini :
Gambar 1. Arsitektur ANFIS Arsitektur ANFIS terdiri dari lima layer (lapisan) yang masing – masing layer memiliki fungsi – fungsi yang dapat dijelaskan sebagai berikut :
MACAM KARAKTERISTIK INVERSE Over Current Relay (OCR) dengan karakteristik inverse sangat bermanfaat untuk mengamankan overload / beban lebih. Berdasarkan standar IEC ada 4 karakteristik inverse terdapat tiga jenis, yaitu : 1. Karakteristik standard inverse (SI) 2. karakteristik very inverse (VI) 3. karakeristik extreme inverse (EI) 4. karakteristik long time inverse (LTI)
Layer 1 : Berfungsi sebagai proses fuzzyfication. Output dari node i pada layer 1 dinotasikan sebagai Oli. Setiap node pada layer i bersifat adaptif dengan output : Ol,1=µAi, i=1,2 Ol,1=µBi, i=3,4 Dimana x dan y adalah nilai – nilai input untuk node tersebut dan Ai atau Bi adalah himpunan fuzzy. Jadi, masing – masing node pada layer 1 berfungsi membangkitkan derajat keanggotaan (bagian premis). 2
Layer 2 : Dinotasikan π. Setiap node pada layer ini berfungsi untuk menghitung kekuatan aktivasi (firing strength) pada setiap rule sebagai product dari semua input yang masuk. w1= µA1(x) AND µB1 (y) w2= µA2(x) AND µB2 (y)
menggunakan hybrid supervised method yang berbasis pada dua metode, yaitu least – squares dan gradient descent. Pada arah maju (forward), parameter premis dibuat tetap. Dengan menggunakan metode Least Square Estimator (LSE), parameter konsekuen diperbaiki berdasarkan pasangan data pada training set. Metode LSE dapat diterapkan karena parameter konsekuen yang diperbaiki bersifat linier. Setelah parameter konsekuen diperoleh, data masukan dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan adaptif ini dibandingkan dengan keluaran yang diharapkan (target). Pada arah mundur (backward), parameter konsekuen dibuat tetap. Kesalahan (error) antara keluaran jaringan adaptif dan target dipropagasikan balik menggunakan gradient descent untuk memperbarui parameter premis. Satu tahap pembelajaran maju – mundur ini dinamakan satu epoch.
Layer 3 : Dilambangkan dengan N. Setiap node pada lapisan ini bersifat non- adaptif yang berfungsi hanya untuk menghitung rasio antara firing strength pada rule ke-i terhadap total firing strength dari semua rule : wi O3, i = wi′ = , i = 1,2. 1+ 2 Layer 4 : Setiap node pada lapisan ini bersifat adaptif sebagai fungsi : O4,i= wi’.fi=wi’(pi.x+qi.y+ri) Dimana wi’ adalah output dari layer 3 dan (pix+qiy+ri) adalah himpunan parameter pada fuzzy model sugeno orde satu. Layer 5 : Satu node tunggal yang dilambangkan ∑ pada layer ini berfungsi mengagregasikan seluruh output dari layer 4 (yang didefinisikan sebagai penjumlahan dari semua sinyal yang masuk) : O5, i =
wi′. i =
Timer Pada Mikrokontroller Timer merupakan fitur di setiap mikrokontroler yang sangat banyak peranannya dalam perancangan sebuah sistem. Dengan sebuah timer kita bisa menunda suatu eksekusi dari suatu perintah, sehingga sistem mikrokontroler yang berjalan cepat (mungkin dalam orde nano atau mikro detik), dapat sinkron dengan operator (manusia). Dengan timer pula kita dapat menghitung lebar pulsa/frekuensi dari suatu sinyal, menghitung kecepatan jatuh suatu benda,atau kecepatan suatu kendaraan, dan ada lebih banyak lagi fungsi timer dalam sebuah mikrokontroler. Karena fungsinya yang relatif lebih banyak dalam suatu sistem, maka banyak vendor memasang timer dalam mikrokontroler tidak hanya satu, dengan panjang data yang tidak hanya 8 bit, tapi juga 16 bit. Dalam mikrokontroler AVR ada yang berkapasitas 8 bit, dan ada yang berkapasitas 16 bit. Timer 8 bit adalah timer yg bisa mencacah/menghitung sampai maksimal nilai 0xFF heksa, sedangkan yang 16 bit nilai maksimalnya 0xFFFF heksa.
∑ wi. i ∑ wi
Dengan demikian, kelima layer tersebut akan membangun suatu adaptive network yang secara fungsional ekivalen dengan fuzzy model sugeno orde satu. Untuk memberi nilai awal pada parameter premis (pada bagian membership function), biasanya digunakan Fuzzy Clustering Mean (FCM). Pada arsitektur ANFIS, node yang bersifat adapatif terdapat pada layer 1 dan 4. Node pada layer 1 mengandung parameter premis yang nonlinier sedangkan pada layer 4 mengandung parameter konsekuen yang linier. Untuk memperbarui parameter – parameter tersebut (dengan kata lain proses belajar dari jaringan saraf), kita memerlukan proses learning atau training. ANFIS 3
Untuk mengaktifkan suatu Timer kita harus mengeset register - register yang berhubungan dengan Timer. Sebagai contoh pada ATMega 128, pada Timer1 merupakan Timer 16 bit, Pengaturan Timer 1 dilakukan melalui register TCCR1A dan TCCR1B, dan register yg biasa digunakan untuk menset nilai Timer1 adalah register TCNT. Rumus yang digunakan adalah :
Perancangan dan Pembuatan Alat Mikrokontroller Mikrokontroller yang digunakan adalah Atmega 128. Pada gambar 3 menunjukkan minimum system yang dibuat dengan konfigurasi port yang digunakan.
TCNT = (1+0xFFFF) - (waktu *( XTAL / prescaler) )
)
Timer pada mikrokontroler AVR lebih leluasa dalam pengendalian lebar waktu yang digunakan untuk menyelesaikan nilai timer, karena pada mikrokontroler AVR tersedia prescaller, sehingga kita dapat menggunakan timer untuk tunda dari orde milidetik sampai dengan menit. Timer membutuhkan clock source. Biasanya clock source yang dipakai adalah clock sistem (XTAL). Dan kita bisa mengatur besarnya nilai ini. Maximum sama dengan XTAL, minimum XTAL/1024. Nilai pembagi (1024) ini yg disebur nilai prescaler. Macam- macam nilai prescaler yg diijinkan:1, 8 , 64 , 256 , 1024. Untuk mengubah nilai prescaler timer 1, kita harus merubah nilai register TCCR1B bit 0 dan 2.
Gambar 3. Minimum system ATMEGA 128
PERENCANAAN DAN PEMBUATAN PERANGKAT KERAS DAN LUNAK
Gambar 4. Gambar Hardware Minimum System ATMEGA 128 yang telah dibuat
Konfigurasi Sistem Sistem yang akan dibuat terdiri dari mikrokontroller, sensor arus sebagai masukan analog to digital converter, dan rangkaian driver magnetik kontaktor untuk menghubungkan atau memutuskan supplay ke beban. Pada gambar 2 menunjukkan konfigurasi sistem yang dibuat.
Rangkaian driver magnetik kontaktor Untuk memutuskan dan menghubungkan supplay dari beban, kami menggunakan magnetik kontaktor yang dikendalikan dari mikrokontroller. Rangkaian driver magnetik kontaktor, menggunakan triac driver output. Pada gambar 5 menunjukan rangkaian triac driver output yang dirancang. Dan pada gambar 6 menunjukkan driver triac output yang telah dibuat.
Gambar 5. Rangkaian triac driver output Gambar 2. konfigurasi system 4
Perancangan Software System Over Current Relay dengan Karakteristik Inverse START
Gambar 6. Rangkaian driver magnetik kontakor yang telah dibuat
Inisialisasi nilai : Iset = 1A Karakteristik Inverse=normal inv Status sistem =off
Rangkaian sensor arus, rangkaian penguat sensivitas ACS712ELCTR-20A-T merupakan sensor arus yang presisi untuk keperluan industri, otomotif, komersial, dan sistem komunikasi. Arus yang melalui ic mempunyai nilai nominal arus 20A (pada pin 1dan2 , 3dan 4) yang disensor oleh integrated Hall IC akan menghasilkan medan magnetic dan dirubah menjadi keluaran tegangan yang linier, dengan sensivitas output 100 mV/A. Ic ini merupakan sensor yang dapat digunakan untuk aplikasi yang membutuhkan electrical isolation tanpa menggunakan opto - isolator atau cara lain untuk teknik isolasi yang membutuhkan biaya tambahan. Berikut ini pada gambar 9 ditunjukkan rangkaian sensor arus ACS712ELCTR-20A-T. Pada gambar 7 menunjukan gambar rangkaian sensor arus ACS712ELCTR-20AT, dengan pengkondisi sinyalnya.
Y Pilih Karakteristik Inverse ?
Pemilihan tipe karakteristik
N Y Pb reset ditekan ?
CB trip?
N
Pb start ditekan?
N
Y
Y
Status sistem=0n
N
Pb stop ditekan?
Y
Status sistem=0ff
N
N
Status sistem=on ?
Y Baca arus
Gambar 7. Rangkaian Sensor Arus ACS712ELCTR-20A-T dan pengkondisi sinyal
Check Overload
Gambar 8. Flowchart System. Pada gambar 8. menunjukkan flowchart sistem yang dibuat, dengan proses inisialisasi, Pemilihan menu (Setting atau Monitoring), pemilihan karakteristik, dan pengecekan terjadinya over current. Program pemilihan kurva karakteristik, nilai time dial setting dan arus setting. Pada gambar 9. menunjukkan flowchart pemilihan karakteristik inverse untuk OCR, 5
Pada karakteristik inverse untuk standar IEC ada 4 buah. Sedangkan pada pemodelan kurva karakteristik inverse menggunakan ANFIS, user perlu mendisain terlebih dahulu kurva inverse yang akan dimodelkan
Clustering Mean (FCM), proses perbaikan parameter konsekuen menggunakan Least Square Estimator (LSE), dan proses perbaikan parameter premis menggunakan Gradient Descent Backpropagation. Perbaikan parameter premis dan parameter konsekuen dilakukan sampai epoch melebihi nilai maksimal epoch, atau error lebih kecil dari toleransi error yang diperbolehkan. Pada gambar 10. menunjukkan flowchart ANFIS untuk pemodelan kurva karakteristik inverse yang didisain oleh user. Pada gambar 11. menunjukkan ANFIS dengan 1 input, 5 membership function dan 1 output yang mempunyai 5 layer. Pada gambar 12. menunjukkan flowchart Fuzzy Clustering Mean untuk inisialisasi nilai membership Function.
Gambar 9. Flowchart pemilihan karakteristik inverse pada OCR. Program pemodelan kurva karakteristik inverse pada OCR menggunakan ANFIS Langkah pertama untuk pemodelan kurva karakteristik inverse pada OCR menggunakan ANFIS, adalah user memberikan masukan data training berupa kurva karakteristik inverse. Data training ini dapat dimasukkan melalui tabel masukan dan keluaran data training, atau user dapat langsung menggambarkan kurva karakteristik inverse tersebut pada picture box pada visual basic 6.0. Setelah data training didapatkan. Proses berikutnya adalah proses inisialisasi pada parameter bagian premis yang menggunakan algoritma Fuzzy
Gambar 10. Flowchart ANFIS untuk pemodelan kurva karakteristik inverse
Gambar 11. ANFIS dengan 1 input, 5 membership function dan 1 output yang mempunyai 5 layer. 6
program perhitungan waktu pemutusan CB, ditunjukkan pada gambar 3.15.
Proses inisialisasi premis (Fuzzy Clustering Mean)
Tentukan : Jumlah Cluster (C) Pembobot (w) Maksimum Iterasi (MaxItr) Toleransi Error (Eps)
Program Check Overload
Buat matrik random dengan nilai setiap elemenya (antara 0 sd 1) (matrik U) yang merupakan matrik transpose dari variabel input pada data training Normalisasi nilai setiap elemennya agar nilai pemjumlahan semua baris pada setiap kolom = 1 (matrik U)
Hitung pusat cluster (matrik V) Hitung jarak setiap data dengan pusat cluster (matrik D) Update nilai matrik (matrik U) Hitung nilai delta error Cari nilai maksimum delta error (DE)
DE < Eps atau Iterasi > maxItr ?
N
Y Dari matrik U, diketahui kecenderungan data training untuk masuk ke cluster mana Kemudian dicari nilai rata -rata dari setiap cluster (untuk parameter c ij) pada bagian membership function Kemudian dicari nilai standar deviasi dari setiap cluster (untuk parameter a ij) pada bagian membership function
Gambar 14. Flowchart Pengecheckan overload dan penyesuaian timer yang sedang berjalan terhadap waktu pemutusan CB.
END
Gambar 12. flowchart Fuzzy Clustering Mean untuk inisialisasi nilai membership Function.
Program perhitungan waktu pemutusan CB saat terjadi gangguan
Program pembacaan arus
t _ pemutusan _ CB
Vout
I_Load
var 1 * tds ( I _ Load / I _ set ) var 2 1
read _ adc(0) *5.14 1024
(vout - vout1) * (imeter2 - imeter1) imeter1 (vout2 - vout1)
Gambar 13. Flowchart pembacaan arus beban. Gambar 15. Flowchart perhitungan waktu pemutusan CB sesuai karakteristik inverse.
Pada gambar 13 menunjukkan flowchart dari pembacaan arus beban, kalibrasi sensor arus. Pada gambar 14. menunjukkan pengecheckan terjadinya gangguan overcurrent. Dan untuk flowchart 7
OCR dengan karakteristik normal inverse, tds=1, dan arus setting 1A. saat PB start/stop ditekan, maka sistem ON dan sensor arus membaca nilai arus beban. Pada tabel 2 menunjukkan data yang tersimpan dalam database, terjadi arus beban lebih yang berubah –ubah, yaitu dimulai dari 3.82A sampai dengan 2.57A hal ini juga akan mempengaruhi nilai waktu pemutusan CB, dan timer yang sedang berjalan.
PENGUJIAN DAN ANALISA Pengujian Sensor Arus Pada saat pengujian sensor arus, arus yang melalui rangkaian adalah antara 0A sampai dengan 8A. Sensor arus yang digunakan adalah ACS712ELCTR-20A-T yang maksimal nilai arus yang bisa disensing adalah 20A dan sensivitasnya adalah 100mV/A. pada gambar 16 menunjukkan rangkaian pengujian sensor arus. Pada table 4.1 menunjukkan hasil pengujian sensor arus ACS dengan beban Resistor 2.5 ohm 250 W. sedangkan grafiknya ditunjukkan pada gambar 16. Pada table 1 menunjukkan hasil pengujian sensor arus ACS dengan beban Resistor 2.5 ohm 250 W.
Tabel 2. Data Arus beban lebih berubah – ubah mulai 3.82A sampai 2.57A pada OCR dengan karakteristik normal inverse pada data base.
Gambar 16. Rangkaian Pengujian Sensor Arus ACS ACS712ELCTR-20A-T. Tabel 1. Hasil Pengujian Sensor Arus ACS ACS712ELCTR-20A-T. No.
IL (A)
Vout Sensor Arus (ACS) (V)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0 0.5 1 2 3 4 5 5.4 5.8 6 6.4 7 7.4 7.8 8
2.22 2.42 2.56 2.65 2.7 2.75 2.8 2.85 2.9 2.93 3.02 3.06 3.11 3.16 3.21
Is (A)
IL (A)
1
3.82
1
3.61
1
1.75
1
1.54
1
2.27
1
2.57
1
2.52
1
2.57
IL /Is 3.8 2 3.6 1 1.7 5 1.5 4 2.2 7 2.5 7 2.5 2 2.5 7
1
0
1
0
t_run
t_cb
0
5.15
1.79
t_cb now
inv
tds
alarm
5.15
1
1
0
5.38
3.59
1
1
0
2.4
12.37
9.96
1
1
0
3
15.96
12.96
1
1
0
3.6
8.42
4.82
1
1
0
4.2
7.34
3.14
1
1
0
5.39
7.47
2.08
1
1
0
7.18
7.34
0.15
1
1
0
0
7.34
7.34
0
1
1
1
0
0
0
0
1
1
0
Running OCR dengan karakteristik very inverse dengan arus lebih yang berubah – ubah Tabel 3. Data Arus beban lebih berubah – ubah mulai 3.32A sampai 2.27A pada OCR dengan karakteristik very inverse pada data base. Is (A)
IL (A)
IL /Is
t_run
t_cb
t_cb now
inv
tds
alarm
1
3.32
3.32
0
5.81
5.81
2
1
0
1
3.11
3.11
2.98
6.39
3.4
2
1
0
1
2.77
2.77
3.58
7.58
4
2
1
0
1
2.27
2.27
4.17
10.54
6.37
2
1
0
1
0
0
10.54
10.54
0
2
1
1
1
0
0
0
0
0
2
1
0
Pada tabel 3 menunjukkan data yang tersimpan dalam database, terjadi arus beban lebih yang berubah –ubah, yaitu dimulai dari 3.32A sampai dengan 2.27A hal ini juga akan mempengaruhi nilai waktu pemutusan
Running OCR dengan karakteristik normal inverse dengan arus lebih yang berubah – ubah 8
CB, dan timer yang sedang berjalan, pada OCR dengan karakteristik very inverse.
Pada tabel 5 menunjukkan data yang tersimpan dalam database, terjadi arus beban lebih yang berubah –ubah, yaitu dimulai dari 3.94A sampai dengan 2.27A hal ini juga akan mempengaruhi nilai waktu pemutusan CB, dan timer yang sedang berjalan, pada OCR dengan karakteristik long time inverse.
Running OCR dengan karakteristik extremelly inverse dengan arus lebih yang berubah - ubah Tabel 4. Data Arus beban lebih berubah – ubah mulai 3.94A sampai 2.94A pada OCR dengan karakteristik extremelly inverse pada data base. Is (A)
IL (A)
IL /Is
t_run
t_cb
t_cb now
inv
tds
alarm
1
3.94
3.94
0
5.49
5.49
3
1
0
1
3.82
3.82
1.81
5.88
4.07
3
1
0
1
3.9
3.9
2.41
5.61
3.2
3
1
0
1
3.27
3.27
3.01
8.2
5.18
3
1
0
1
3.23
3.23
3.6
8.43
4.82
3
1
0
1
3.11
3.11
4.21
9.2
4.98
3
1
0
1
2.98
2.98
8.45
10.09
1.64
3
1
0
1
2.94
2.94
9.05
10.41
1.36
3
1
0
1
0
0
10.41
10.41
0
3
1
1
1
0
0
0
0
0
3
1
0
Pemodelan kurva karakteristik inverse OCR menggunakan ANFIS
User menggambarkan melalui picture box data, menggunakan mouse, sesuai dengan kebutuhan. Nilai maksimal perbandingan arus beban dengan arus setting, dibatasi sampai 2. Dan nilai maksimal waktu pemutusan CB di batasi sampai 100s. pada gambar 17. menunjukkan salah satu contoh kurva yang telah dibuat oleh user. Setelah menggambar, user perlu melakukan sample data untuk training dengan menekan tombol Capture. Gambar 18. menunjukan sample data yang diambil.
Pada tabel 4 menunjukkan data yang tersimpan dalam database, terjadi arus beban lebih yang berubah –ubah, yaitu dimulai dari 3.94A sampai dengan 2.94A hal ini juga akan mempengaruhi nilai waktu pemutusan CB, dan timer yang sedang berjalan, pada OCR dengan karakteristik extremelly inverse. Running OCR dengan karakteristik long time inverse dengan arus lebih yang berubah - ubah
Gambar 17. Contoh kurva karakteristik inverse yang dibuat oleh user melalui picture box menggunakan mouse.
Tabel 5. Data Arus beban lebih berubah – ubah mulai 3.94A sampai 2.27A pada OCR dengan karakteristik long time inverse pada data base. Is (A)
IL (A)
IL /Is
t_run
t_cb
t_cb now
inv
tds
alarm
1
3.94
1
3.98
3.94
0
40.74
40.74
4
1
0
3.98
3
40.17
37.17
4
1
0
1
3.94
3.94
4.2
40.74
36.54
4
1
0
1
3.69
3.69
4.79
44.52
39.72
4
1
0
1
3.57
3.57
5.39
46.68
41.29
4
1
0
1
3.61
3.61
7.18
45.94
38.75
4
1
0
1
3.57
3.57
7.78
46.68
38.9
4
1
0
1
3.32
3.32
8.37
51.71
43.33
4
1
0
1
2.77
2.77
8.97
67.43
58.46
4
1
0
1
2.27
2.27
10.17
93.76
83.58
4
1
0
1
0
0
93.76
93.76
0
4
1
1
1
0
0
0
0
0
4
1
0
Gambar 18. Pengambilan sample data untuk data training pada ANFIS.
Pada tabel 6. menunjukkan perbandingan error dari jumlah membership function yang digunakan Sehingga ANFIS dengan menggunakan 5 buah membership 9
function, masih memberikan error 1.60E-21 pada epoh terakir, yaitu iterasi ke 10. Tabel 6. Perbandingan error dari jumlah membership function. MF Lonceng, BETA Error
2 buah
3 buah
4 buah
5 buah
112.322246848
19.818368109
11.731161240
1.60E-21
10
10
10
10
epoh
Untuk hasil akhir, keluaran ANFIS dibandingkan dengan target training, pada gambar 4.18, keluaran ANFIS berupa lingkaran merah, dan target training berupa lingkaran biru.
SARAN Sebaiknya untuk manajemen program, dalam melakukan pembacaan arus beban, tampilan di LCD dan pengiriman data ke komputer, dilakukan secara periodik sehingga dapat membantu untuk menghasilkan kinerja yang lebih stabil. Karena komputer menerima secara periodik, maka ada kemungkinan jalur komunikasi di komputer error, oleh karena itu perlu dibuat program untuk me-refresh jalur komunikasi, yaitu dengan menutup jalur komunikasi, kemudian membukanya kembali. Untuk pengembangan lebih lanjut, batasan arus yang menjadi masukan ANFIS dapat diperluas, dan data sample dari data training dapat diperbanyak, sehingga keluaran ANFIS lebih optimal.
Gambar 18. Perbandingan Keluaran ANFIS dengan target training (menggunakan 5 rule). Running OCR dengan karakteristik inverse hasil pemodelan ANFIS
OCR dengan karakteristik inverse mode ANFIS, dan arus setting 1A. saat PB start/stop ditekan, maka sistem ON dan sensor arus membaca nilai arus beban. Pada tabel 7 menunjukkan data yang tersimpan pada database, saat arus beban lebih 1.33A dan tcb 36.72 s untuk OCR dengan karakteristik inverse mode ANFIS.
DAFTAR PUSTAKA [1] ”Datasheet OVERCURRENT PROTECTION RELAYS”, CKR Series. [2] Heru Dibyo Laksono, M. Nasir Sonni “PERANCANGAN DAN IMPLEMENTASI RELAY ARUS LEBIH SESAAT BERBASIS MICROCONTROLLER”. Jurusan Teknik Elektro, Univeristas Andalas Padang Sumatera Barat. September 2007. [3] Hossein Kazemi Karegar, Hossein Askarian Abyaneh,Majid Al-Dabbagh “A flexible approach for overcurrent relay characteristics simulation”. The Department of Electrical and Computer Systems Engineering, Monash University, Australia. May 2003. [4] M. Geethanjali, S. Mary Raja Slochanal “A combined adaptive network and fuzzy inference system (ANFIS) approach for overcurrent relay system”. Department of Electrical and Electronics Engineering, Thiagarajar College of Engineering, Madurai-625 015, Tamilnadu, India. April 2007.
Tabel 7. Data pada database saat arus lebih 1.33A dan tcb 36.72s. Is (A)
IL (A)
IL /Is
t_run
t_cb
t_cb now
1
1.33
inv
tds
alarm
1.33
0
36.72
36.72
5
1
0
1
0
0
36.72
36.72
0
5
1
1
1
0
0
0
0
0
5
1
0
standar IEC) memberikan kurva yang sama dengan kurva yang dikehendaki. Dan pemodelan kurva karakteristik inverse pada OCR menggunakan ANFIS (yang didisain oleh user) memberikan error yang sangat kecil, yaitu E=1.60E-21, dengan parameter ANFIS (masukan =1buah, keluaran=1buah, membership function=5buah, rule=5buah pada epoch ke 10). Batasan arus (IL/IS) yang menjadi masukan pada ANFIS adalah 2, dan data yang disample adalah 10buah, karena bila masukan arus diatas 2 (sebagai contoh IL/IS=5) dan data sample lebih banyak, maka jumlah membership functionnya juga harus ditambah, agar error yang diberikan cukup kecil.
KESIMPULAN Dengan menggunakan relay digital, kita bisa mendapatkan fleksibilitas dan kehandalan yang lebih baik Karakteristik inverse pada reley digital bisa dipilih sesuai kebutuhan, dan dapat dikontrol atau dimonitor dari local maupun remote. Pemodelan kurva karakteristik inverse pada OCR menggunakan persamaan matematika (sesuai
10
[5] Sri Kusumadewi, Sri Hartati ”Neuro – Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf”. GRAHA ILMU, Yogyakarta, 2006. [6] Suyanto, ST, MSc ”Soft Computing Membangun Mesin Ber-IQ Tinggi”. Informatika. Bandung. 2008. [7] Thomas Sri Widodo “Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali”. GRAHA ILMU, Yogyakarta, 2005. [8] Zamora, A.J. Mazón, V. Valverde, E. Torres, A. Dyśko “Power Quality and Digital Protection Relays”. Department of Electrical Engineering University of the Basque Country, Spain.
11
