Penempatan dan Penentuan Kapasitas Optimal dari Distributed Generation (DG) dengan Mempertimbangkan Maximum Loadability Menggunakan Non-Dominated Sorting Genetic Algorithm-II (NSGA-II) Radika Hendri Wijaya, Adi Soeprijanto, Heri Suryoatmojo Bidang Studi Teknik Sistem Tenaga - Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Email:
[email protected] Abstrak — Beban listrik yang terus meningkat menuntut adanya penambahan kapasitas pembangkitan. Pembangunan pembangkit-pembangkit baru dengan kapasitas besar menimbulkan banyak permasalahan lingkungan dan pembiayaan. Sistem pembangkit yang paling tepat digunakan untuk mengatasi permasalahan tersebut, dengan memperhatikan permasalahan energi dan penurunan rugi-rugi jaringan adalah Pembangkit Tersebar (Distributed Generation). Penambahan DG juga mempengaruhi kemampuan pembebanan (loadability) sistem. Loadability didefinisikan sebagai nilai pembebanan maksimum yang masih mampu ditanggung oleh sistem dalam batas kestabilannya. Konstrain loadability maksimal yang akan dicapai oleh penempatan DG pada sistem distribusi adalah batas tegangan (voltage limit). Penempatan dan penentuan kapasitas optimal unit DG dengan memperhatikan loadability maksimal sistem merupakan permasalahan optimasi yang diselesaikan menggunakan Non-Dominated Sorting Genetic AlgorithmII (NSGA-II), suatu pengembangan dari algoritma genetika dengan penambahan mekanisme elitism, nondominated sorting dan crowding distance. Optimasi dilakukan untuk mendapatkan hasil terbaik antara dua fungsi tujuan (multiobjective optimization), yaitu keandalan DG dan penghematan bahan bakar. Hasil simulasi menunjukkan bahwa penggunaan bahan bakar paling efisien dicapai ketika daya keluaran DG bernilai 8 MW dan cadangan daya DG sebesar 2 MW. Loadability maksimum dicapai pada nilai 150% dengan penambahan 10 unit DG untuk sistem IEEE 14 bus, dan 110% dengan penambahan 7 unit DG untuk sistem IEEE 30 bus.
Penambahan kapasitas pembangkit harus dilakukan dengan cermat, tepat, dan efisien. Banyak aspek yang perlu ditinjau dalam upaya penambahan kapasitas pembangkit pada suatu sistem tenaga listrik. Faktor fleksibilitas, nilai ekonomis, diversifikasi energi, dan pengaruh bagi lingkungan merupakan hal-hal yang perlu dikaji secara mendalam. Dengan mempertimbangkan beberapa faktor di atas, maka sistem pembangkit yang sangat potensial untuk dikembangkan dalam upaya mengatasi permasalahan pasokan listrik adalah pembangkit tersebar atau dikenal dengan DG (Distributed Generation). II. DG DAN LOADABILITY SISTEM Penelitian mengenai penggunaan Distributed Generation (DG) untuk menambah kapasitas pembangkitan guna memenuhi peningkatan kebutuhan beban listrik terus-menerus dilakukan. DG memiliki nilai ekonomis yang lebih baik jika dibandingkan dengan pembangkit sentral dengan ukuran besar. Biaya investasi, pemeliharaan, dan biaya pembangkitan DG lebih murah dibandingkan dengan pembangkit besar. Keunggulan lain yang dimiliki DG adalah tingginya keandalan sistem yang menggunakan DG. Selain itu penambahan DG juga dapat meningkatkan stabilitas tegangan dan mengurangi rugi-rugi total jaringan [2]. A. Distributed Generation (DG) Secara teknis, DG memiliki beberapa aspek definisi yang meliputi kapasitas, tujuan pemasangan, lokasi penempatan, dan teknologi yang digunakan. Beberapa definisi kapasitas DG yang dimiliki oleh lebaga riset internasional adalah sebagai berikut: 1. The Electric Power Research Institute mendefinisikan batas kapasitas DG sampai dengan 50 MW [3]. 2. Gas Research Institute mendefinisikan DG sebagai pembangkit dengan kapasitas antara 25 kW – 25 MW [4]. 3. Preston dan Rastler menentukan ukuran mulai dari beberapa kilowatt hingga lebih dari 100 MW [5]. 4. Cardell mendefinisikan DG sebagai pembangkit dengan kapasitas antara 500 kW dan 1 MW [6]. 5. International Conference on Large High Voltage Electric Systems (CIGRE) mendefinisikan DG sebagai pembangkit dengan kapasitas lebih kecil dari 50 - 100 MW [7]. Berdasarkan tujuan instalasinya, DG dibangun untuk menyediakan sumber daya aktif pada sistem tenaga listrik. Sehingga berdasarkan definisi secara internasional ini, DG
Indeks — DG, loadability, multiobjective optimization,
NSGA-II I. PENDAHULUAN
P
ertumbuhan ekonomi yang cukup tinggi dan iklim usaha yang semakin baik mengakibatkan meningkatnya konsumsi energi listrik, baik oleh konsumen rumah tangga maupun industri. Hal tersebut akan menimbulkan peningkatan kebutuhan pasokan listrik terhadap sistem. Oleh karena itu, penambahan kapasitas pembangkit sangat penting dilakukan untuk menunjang pemenuhan kebutuhan beban listrik yang terus meningkat [1]. 1
tidak diharuskan untuk mampu menyediakan daya reaktif [8]. Definisi lokasi penempatan DG, masih mengundang kontroversi diantara banyak peneliti. Kebanyakan peneliti mendefinisikan lokasi DG pada sistem distribusi, namun dalam beberapa literatur penempatan DG juga dapat dilakukan pada sisi sistem transmisi [3]. Menurut teknologi yang digunakan dalam pembangkitan, DG dapat dibedakan menjadi Traditional Generator atau yang biasanya menggunakan Internal Combustion Engine (ICE), serta Modern Generator yang terdiri dari fuel cell, storage device, dan renewable energy [8]. Penelitian ini menggunakan DG jenis ICE dengan kapasitas antara 1 MW hingga 10 MW. ICE dipilih karena memiliki efisiensi bahan bakar yang sangat tinggi. Daya yang dibangkitkan dan penggunaan bahan bakar ICE membentuk kurva yang hampir linier. Semakin tinggi nilai daya yang diproduksi, maka semakin banyak bahan bakar yang dikonsumsi. Sehingga fungsi penghematan bahan bakar maksimal mampu dicapai ketika ICE dioperasikan pada kondisi daya keluaran minimalnya.
A. Karakteristik dan Pemodelan Sistem Sistem distribusi tenaga listrik yang digunakan dalam pengujian penempatan dan penentuan kapasitas optimal DG ini bertipe grid distribution network dan menggunakan bus uji standar IEEE 14 dan 30 bus. DG yang digunakan dalam penelitian ini adalah jenis pembangkit pembakaran dalam atau ICE (Internal Combustion Engine). DG dimodelkan sebagai injeksi daya aktif pada bus, yang akan dikodekan dalam bentuk kromosom menurut aturan tertentu. Simulasi dijalankan dengan ketentuan bahwa kondisi pembangkit dalam keadaan normal, sistem dalam keadaan seimbang (pembebanan masing-masing fasa sama), dan tidak terjadi perubahan beban sistem selama proses simulasi ini dijalankan, kecuali peningkatan beban secara gradual dan serempak pada pengujian loadability sistem. B. Evaluasi Maksimum Loadability Sistem Batasan loadability sistem yang digunakan adalah batas tegangan atau disebut voltage limit (VL). VL dilihat dan dievaluasi melalui tegangan masing-masing bus dari sistem yang diujikan. Standar batas tegangan yang digunakan dalam penelitian ini mengikuti standar PLN (0.9 pu – 1.05 pu). Ketika tegangan sistem masih berada pada batas nilai tegangan yang diijinkan, maka proses optimasi terus dilakukan dengan menambahkan jumlah unit DG dan meningkatkan pembebanan sistem. Sesuai dengan penyederhanaan perhitungan Continuation Power Flow (CPF), maka untuk meningkatkan pembebanan sistem, nilai loading sistem dikalikan dengan suatu bilangan (), yang nilainya akan terus meningkat dengan selisih sebesar 10% system loading untuk setiap iterasi. Maximum loadability akan dicapai pada system loading tertinggi, dengan tegangan masing-masing bus tetap berada pada batas nilai yang diijinkan [10].
B. Loadability Sistem tenaga listrik selalu mendapatkan tekanan yang berat karena peningkatan beban yang terjadi pada jaringan dan sulitnya pembangunan pembangkit listrik baru yang letaknya dekat dengan beban. Hal tersebut menyebabkan keamanan sistem tenaga menjadi parameter yang sangat penting, terutama mengenai batas tegangan. Loadability maksimum merupakan nilai pembebanan maksimum yang masih mampu diterima oleh sistem dalam kondisi operasi normal [9]. Untuk saluran yang tidak terkompensasi dengan panjang lebih dari 80 km, yang menjadi batasan loadability adalah jatuh tegangan, sedangkan untuk saluran dengan panjang lebih dari 320 km, yang menjadi batasan loadability adalah nilai steady state margin. Sedangkan untuk sistem distribusi nilai loadability dapat dievaluasi dengan melihat Voltage Limit (VL) atau Voltage Stability Limit (VSL) [10]. Batas tegangan (VL) dalam analisis sangat berkaitan dengan fenomena jatuh tegangan yang terjadi pada jaringan. Tegangan sistem yang dipengaruhi oleh besarnya nilai jatuh tegangan tersebut dapat dilihat melalui nilai tegangan pada tiap-tiap bus. Variasi nilai tegangan bus tidak boleh melebihi batas keamanaan sistem tenaga yang diijinkan. Jika batasan (constraint) tegangan tersebut dilanggar, maka loadability maksimum tidak dicapai pada nilai pembebanan tersebut. Standar batas tegangan PLN adalah antara 0,9 pu - 1,05 pu.
C. Evaluasi Fungsi Multiobjective Pemasangan unit DG dilakukan untuk meningkatkan kemampuan sistem dalam memenuhi peningkatan kebutuhan pembebanan, sehingga dapat mengakomodasi penambahan beban yang akan terjadi. Hal ini mengakibatkan kapasitas cadangan daya (spinning reserve) yang dimiliki unit DG harus tinggi. Selain itu, efisiensi pembangkit juga sangat penting untuk diperhatikan. Penggunaan BBM meningkat sejalan dengan meningkatnya daya output pembangkit. Sehingga penghematan bahan bakar dapat dilakukan dengan menekan daya keluaran unit DG. Kedua fungsi tujuan tersebut dapat ditulis sebagai berikut: 𝑆𝑝𝑖𝑛𝑛𝑖𝑛𝑔 𝑅𝑒𝑠𝑒𝑟𝑣𝑒 𝑆𝑅 𝐷𝐺 = 𝑁 (1) 𝑖=1 𝑃𝑘𝐷𝐺𝑖 − 𝑃𝑜𝑢𝑡𝐷𝐺𝑖 𝑁 (2) 𝐹𝑢𝑒𝑙 𝑆𝑎𝑣𝑖𝑛𝑔 𝐹𝑆 𝐷𝐺 = 𝑖=1 𝑃𝑜𝑢𝑡𝐷𝐺𝑖 Dengan variabel i menunjukan lokasi DG pada bus ke-i, Pk menunjukan kapasitas daya DG, Pout menunjukan daya keluaran DG. Pemasangan DG pada sistem pembangkit mempengaruhi rugi daya saluran sehingga besar rugi daya saluran dihitung kembali. PG = Psystem + PoutDG (3) Ploss = PG – Pload (4) dengan PG menunjukan jumlah total daya pembangkitan, Psystem menunjukan daya keluaran pembangkit sistem, PoutDG menunjukan daya keluaran pembangkit DG, Pload menunjukan daya beban, Ploss menunjukan rugi daya saluran.
III. METODE PENEMPATAN DAN PENENTUAN KAPASITAS OPTIMAL DG Proses penentuan lokasi penempatan dan daya yang dikeluarkan oleh DG memerlukan iterasi proses yang sangat panjang dan rumit, karena harus dilakukan pencarian nilai yang paling optimal dari semua kemungkinan yang ada dan menghitung ulang keseluruhan nilai aliran daya yang dimiliki sistem. Oleh karena itu pencarian solusi optimal dilakukan dengan menggunakan bantuan kecerdasan buatan, yaitu NSGA-II. Untuk mendapatkan hasil optimasi yang maksimal, maka pemodelan sistem, fungsi evaluasi, dan parameter NSGA-II yang akan digunakan dalam strategi optimasi harus didefinisikan dengan jelas. 2
Dengan mempertimbangkan penurunan total rugi-rugi jaringan yang spesifik dan loadability maksimum sistem, fungsi multiobjective yang digunakan dalam penelitian ini adalah untuk mendapatkan nilai maksimal dari fungsi SRDG(), sehingga didapatkan sistem dengan keandalan suplai daya yang tinggi serta evaluasi fungsi FSDG(), sehingga didapatkan daya keluaran unit DG yang paling minimal supaya penghematan bahan bakar unit DG dapat dicapai.
E. Optimasi Penempatan dan Penentuan Kapasitas DG Strategi optimasi penempatan dan penentuan kapasitas DG dilakukan berdasarkan kedua fungsi tujuan yang diharapkan, untuk mendapatkan penurunan rugi-rugi terbaik dan maximum loadability menurut diagram alir berikut. Mulai Baca data DG, Bus dan Parameter NSGA-II
D. Studi Aliran Daya Dalam penyelesaian studi aliran daya, sistem diasumsikan berada dalam kondisi seimbang, sehingga perhitungan dilakukan dalam satu fasa.
nDG = 1 nDG = nDG + 1 System Loading = 100%
SL = SL + 10%
Gambar 1. Sistem tenaga listrik dengan 4 bus [11]
Untuk sistem yang terdiri dari n bus n saluran, aliran daya dihitung menurut Kirchoff, arus yang masuk bus i adalah [11]: 𝐼𝑖 = 𝑦𝑖0 𝑉𝑖 + 𝑦𝑖1 𝑉𝑖 − 𝑉1 + ⋯ + 𝑦𝑖𝑛 𝑉𝑖 − 𝑉𝑛 (5) 𝑛 𝑛 𝐼𝑖 = 𝑉𝑖 𝑗 =0 𝑦𝑖𝑗 − 𝑗 =0 𝑦𝑖𝑗 𝑉𝑗 , 𝑗 ≠ 𝑖 (7) 𝐼𝑖 =
𝑃 𝑖 −𝑗𝑄
iterasi = maxgen?
𝑉𝑖 ∗
= 𝑉𝑖
𝑛 𝑗 =0 𝑦𝑖𝑗
−
𝑛 𝑗 =0 𝑦𝑖𝑗 𝑉𝑗
,𝑗 ≠ 𝑖
𝑃𝑖 =
𝑛 𝑗 =1 𝑉𝑖 𝑛 𝑗 =1 𝑉𝑖
Individu Terbaik (maximum loadability) nDG = maxDG?
(12) (13)
Selesai
𝑄𝑖 = 𝑉𝑗 𝑌𝑖𝑗 𝑠𝑖𝑛(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 ) (14) Dihitung elemen-elemen matriks jacobian sesuai persamaan: (𝑘)
𝜕𝛿 1
(𝑘)
∆𝑃1 ⋮ (𝑘) ∆𝑃𝑛 (𝑘) ∆𝑄1
⋮ (𝑘) ∆𝑄𝑛
⋮
(𝑘)
𝜕𝑃𝑛
=
𝜕𝛿 1 (𝑘)
𝜕𝑄1
𝜕 𝛿1
⋮
(𝑘)
𝜕𝑄𝑛
𝜕 𝛿1
⋯ ⋮
(𝑘)
𝜕𝑃1
𝜕𝛿 𝑛
⋮
(𝑘)
⋯
𝜕𝑃𝑛
⋯
𝜕𝑄1
⋮ ⋯
𝜕𝛿 𝑛 (𝑘)
𝜕𝛿 𝑛
⋮
(𝑘)
𝜕𝑄𝑛
𝜕𝛿 𝑛
(𝑘)
𝜕𝑃1
𝜕 𝑉1
⋮
(𝑘)
𝜕𝑃𝑛
𝜕 𝑉1 (𝑘)
𝜕𝑄1
𝜕 𝑉1
⋮
(𝑘)
𝜕𝑄𝑛
𝜕 𝑉1
⋯ ⋮
(𝑘)
⋮
(𝑘)
𝜕𝑃𝑛
⋯
𝜕𝑄1
⋯
Pengkodean Kromosom dan Pembangkitan Populasi Awal Setiap unit DG diwakili oleh S string biner dari 8 bit gen dalam satu kromosom. Keempat bit awal mewakili kapasitas unit DG, sedangkan 4 bit sisanya mewakili daya keluaran DG. Sesuai dengan rating daya keluaran ICE, maka daya keluaran yang mampu dihasilkan adalah antara 1 – 10 MW. Sedangkan lokasi penempatan DG dikodekan menurut jumlah bus sistem yang digunakan. Setiap bus diwakili oleh L string biner dari 4 bit untuk 14 bus dan 5 bit untuk 30 bus. Pembentukan kromosom dilakukan dengan menggabungkan string S dan L menjadi satu array gen individu yang terdiri dari 12 bit (untuk sistem 14 bus) dan 13 bit (untuk sistem 30 bus). Nilai masing-masing elemen kromosom (gen) dibangkitkan secara acak menggunakan software MATLAB 2010a. Sehingga diperoleh ilustrasi representasi kromosom seperti gambar berikut.
(𝑘)
⋯
⋮
Gambar 2. Diagram alir strategi optimasi DG
𝜕𝑃1
𝜕 𝑉𝑛
𝜕 𝑉𝑛 (𝑘)
𝜕 𝑉𝑛
⋮
(𝑘)
𝜕𝑄𝑛
.
Tidak
Ya Plot Placement and Sizing DG terbaik
(11)
𝑉𝑗 𝑌𝑖𝑗 𝑐𝑜𝑠(𝜃𝑖𝑗 − 𝛿𝑖 + 𝛿𝑗 )
𝜕𝑃1
Tidak
Tidak
(10)
Substitusi persamaan (11) pada persamaan (8) adalah: 𝑃𝑖 − 𝑗𝑄𝑖 = 𝑉𝑖 ∠(−𝛿𝑖 ) × 𝑛𝑗=1 𝑌𝑖𝑗 𝑉𝑗 ∠(𝜃𝑖𝑗 + 𝛿𝑗 )
1. Non-Dominated Sorting 2. Crowding Distance 3. Selection 4. Elitism 5. Crossover 6. Binary Mutation
Ya
(9)
Persamaan (9) dapat ditulis dalam bentuk: 𝐼𝑖 = 𝑛𝑗=1 𝑌𝑖𝑗 𝑉𝑗 Persamaan (10) dalam bentuk polar dapat ditulis: 𝐼𝑖 = 𝑛𝑗=1 𝑌𝑖𝑗 𝑉𝑗 ∠(𝜃𝑖𝑗 + 𝛿𝑗 )
Proses NSGA-II
Ya fitness = OptF?
Substitusi Ii pada persamaan (7) ke dalam persamaan (8) akan menghasilkan: 𝑃 𝑖 −𝑗𝑄
Evaluasi fitness SRDG() dan FSDG() running loadflow (NR)
(8)
𝑉𝑖 ∗
Membangkitkan Populasi Awal Kromosom = Rating, Konfigurasi Lokasikromosom DG
∆𝛿1 ⋮ (𝑘) ∆𝛿𝑛
(𝑘)
∆ 𝑉1 ⋮ (𝑘) ∆ 𝑉𝑛
(15)
𝜕 𝑉𝑛
Diperoleh 𝑉 dan 𝜃 baru hasil koreksi sebagai berikut: 𝜃𝑖 𝑘+1 = 𝜃𝑖 𝑘 − ∆𝜃𝑖 𝑘 (16) 𝑘+1 𝑘 𝑘 𝑉𝑖 = 𝑉𝑖 − ∆ 𝑉𝑖 (17) Proses diulangi hingga semua nilai ∆ 𝑉𝑖 dan ∆𝜃𝑖 lebih kecil nilainya dari suatu indeks ketepatan (accuracy) tertentu. 3
A. Kombinasi dengan Loadability Maksimum (IEEE 14 bus)
Mekanisme NS dan CD Pada semua individu dalam populasi yang telah dibangkitkan, dilakukan perhitungan fitness menurut kedua fungsi tujuan yang telah didefinisikan. Evaluasi fitness multi tujuan dilakukan dalam mekanisme NS (Non-dominated Sort) dan CD (Crowding Distance). Populasi yang telah dihitung nilai fungsi obyekifnya, diklasifikasikan dalam bidang-bidang optimasi (pareto-optimal front). Suatu individu dikatakan mendominasi individu lain jika hasil evaluasi seluruh fungsi tujuan dari individu tersebut tidak sebih buruk dari individu lainnya dan minimal satu dari hasil evalusi fungsi tujuan tersebut yang lebih baik dari pada individu lainnya [12]. Setelah semua individu diurutkan dalam bidang-bidang tertentu, dilakukanlah perhitungan nilai crowding distance dari masing-masing individu. Pemikiran dasar yang melatarbelakangi perhitungan CD (crowding distance) adalah usaha untuk menemukan jarak Euclidean antara setiap individu pada suatu bidang berdasarkan pada nilai fungsi tujuan m. Perhitungan kedua mekanisme itu divisualisasikan seperti gambar berikut.
Gambar 4. Pareto-optimal front hasil optimasi NSGA-II
TABEL 2 LOADABILITY MAKSIMUM PADA IEEE 14 BUS Jumlah Unit DG = 4 Loadability = 150% Running Summary (21/12/2011 – 13:43:02) Lokasi Daya Keluaran Kapasitas DG Jumlah Unit DG DG (MW) (MW) DG 4 8.00 10 1 12 8.00 10 1 13 8.00 10 1 14 8.00 10 1 Total Loss tanpa DG 36.570 MW Total Loss menggunakan DG 29.764 MW Penurunan Total Loss 6.807 MW Total Daya Output DG 32.00 MW Total Cadangan Daya 8.00 MW Cadangan daya DG 20.00 %
Gambar 3. Visualisasi hasil perhitungan NS dan CD pada NSGA-II [12]
Operator Genetik Proses optimasi dilanjutkan dengan dengan menerapkan beberapa operator genetik, yaitu; elitisme, pindah silang, dan mutasi. Elitisme dilakukan dengan mengkopi individu terbaik hasil seleksi yang telah didapatkan. Pindah silang (crossover) dilakukan untuk mengatur ulang informasi dari dua individu yang berbeda dan membuat individu baru. Metode pindah silang yang digunakan adalah one-point crossover, yaitu pindah silang titik potong tunggal. Pemilihan titik potong dilakukan secara random dan probabilitas pindah silang yang digunakan dalam penelitian ini adalah 0,9. Operator mutasi yang digunakan dalam penelitian ini adalah binary mutation. Proses ini hanya dilakukan dengan mengubah nilai gen dari 0 menjadi 1 ataupun sebaliknya. Sedangkan probabilitas mutasi yang dipilih dalam penelitian ini adalah (1/nGen). Probabilitas mutasi yang kecil ini dilakukan agar populasi asli tidak kehilangan sifat genetisnya, namun tetap memberikan kemungkinan cukup untuk memunculkan individu dengan kemungkinan penyelesaian permasalahan yang lebih baik daripada individu yang telah ada.
Penambahan empat unit DG pada sistem IEEE 14 bus, menjadikan sistem masih mampu menerima kenaikan pembebanan sebesar 50% dari beban normalnya. Peningkatan pembebanan menyebabkan kenaikan rugi-rugi jaringan. Rugirugi daya aktif naik dari 13.869 MW menjadi 29.764 MW. Hal ini terjadi karena aliran daya saluran juga makin besar. Penempatan optimal DG pada sistem mampu menurunkan rugi-rugi daya aktif jaringan sebesar 6.807 MW.
IV. PENGUJIAN SISTEM DAN ANALISIS Analisa aliran daya dilakukan dengan akurasi mencapai 0.00001, akselerasi 1.6, dan iterasi maksimum sebanyak 100 kali proses. Parameter sistem yang diperhatikan dalam simulasi tersebut adalah rugi-rugi jaringan total dan nilai tegangan dari masing-masing bus dalam sistem tersebut. Kemudian mulai dilakukan peningkatan pembebanan sistem dan penambahan unit DG. Simulasi yang dianalisis merupakan kombinasi unit DG yang memberikan nilai loadability sistem paling maksimal pada sistem IEEE 14 dan 30 bus.
Gambar 5. Hasil optimasi NSGA-II untuk 4 unit DG
4
Hasil simulasi peningkatan loadability sistem hingga 50% menunjukkan bahwa tegangan masing-masing bus masih dalam batas operasi normal yaitu 0.9 - 1.05 p.u. Sehingga penambahan unit DG tidak mengganggu kestabilan sistem.
TABEL 4 LOADABILITY MAKSIMUM PADA IEEE 30 BUS Jumlah Unit DG = 7 Loadability = 110% Running Summary (22/12/2011 – 05:47:50) Lokasi Daya Keluaran Kapasitas DG Jumlah Unit DG DG (MW) (MW) DG 15 8.00 10 1 25 16.00 20 2 22 24.00 30 3 26 8.00 10 1 Total Loss tanpa DG 23.019 MW Total Loss menggunakan DG 15.938 MW Penurunan Total Loss 7.081 MW Total Daya Output DG 56.00 MW Total Cadangan Daya 14.00 MW Cadangan daya DG 20.00 %
Gambar 6. Profil tegangan hasil running max pada IEEE 14 bus 9 13
8
7 12
C
4 14 10 11 9 6 C
C 8
Gambar 9. Hasil optimasi NSGA-II untuk 7 unit DG 4
1 5
Penambahan tujuh unit DG pada sistem IEEE 30 bus, menjadikan sistem masih mampu menerima kenaikan pembebanan sebesar 10% dari beban normalnya. Namun demikian peningkatan pembebanan sistem menyebabkan peningkatan rugi-rugi jaringan, dari 18.403 MW naik menjadi 23.019 MW. Penempatan DG yang optimal pada sistem masih mampu memberikan penurunan rugi-rugi jaringan sebesar 30.8% dan cadangan daya mencapai 20%. Pada kenaikan pembebanan ini, tegangan masing-masing bus masih berada dalam batas normal.
2 3 C Gambar 7. Sistem IEEE 14 bus dengan 4 unit DG
B. Kombinasi dengan Loadability Maksimum (IEEE 30 bus)
Gambar 10. Profil tegangan hasil running max pada IEEE 30 bus
Gambar 8. Pareto-optimal front hasil optimasi NSGA-II
5
4. Penambahan DG dalam kondisi yang optimal pada sistem mampu menurunkan rugi-rugi total jaringan dan mengakomodasi adanya peningkatan nilai pembebanan (loadability) sistem. 5. Penggunaan NSGA-II mampu menghasilkan solusi optimal untuk mendapatkan komporomi terbaik antara penghematan penggunaan bahan bakar dan keandalan unit DG sebagai suatu proses optimasi multiobjective.
10 30
29 27
9
11
28
C 25
6
26 22
24
23
REFERENSI
15
21
18
Harjono, “Perencanaan Kebutuhan Energi Listrik Nasional dengan Menggunakan Metode Ekonometrik”, ITS Digital Library, Surabaya, 2009. [2] A.A. Abou El-Ela, S.M. Allam, and M.M. Shatla, "Maximal optimal benefits of distributed generation using genetic algorithms", ELSEVIER : Electric Power System Research, 2010. [3] Electric Power Research Institute web-page (November 2011): http://www.epri.com/gg/newgen/disgen/index.html. [4] Gas Research Institute, Distributed Power Generation: A Strategy for a Competitive Energy Industry, Gas Research Institute, Chicago, USA 1998. [5] D. Sharma, R. Bartels, Distributed electricity generation in competitive energy markets: a case study in Australia, in: The Energy Journal Special issue: Distributed Resources: Toward a New Paradigm of the Electricity Business, The International Association for Energy Economics, Clevland, Ohio, USA, 1998, pp. 17–40. [6] J. Cardell, R. Tabors, Operation and control in a competitive market: distributed generation in a restructured industry, in: The Energy Journal Special Issue: Distributed Resources: Toward a New Paradigm of the Electricity Business, The International Association for Energy Economics, Clevland, Ohio, USA, 1998, pp. 111–135. [7] CIGRE, Impact of increasing contribution of dispersed generation on the power system; CIGRE Study Committee no 37, Final Report, September 1998. [8] Thomas Ackermann, Goran Andersson, and Lennart Soder, “ Distributed Generation: a definition”, ELSEVIER Electrical Power Sistem Research 57 (2001) 195-204, Desember 2000. [9] A. Shunmugalatha and Dr. S. Mary Raja Slochanal, "Optimum Allocation of Generation for Maximum Loadability Limit of Power System using Multiagent Based Particle Swarm Optimization (MAPSO), The 8th International Power Engineering Conference (IPEC), India, 2007. [10] Nasser Hemdan and Michael Kurrat, “Influence of Distributed Generation on Different Loadability Aspects of Electrical Distribution Systems”, 20th International Conference on Electricity Distribution, Prague, 2009. [11] Hadi Saadat, Power System Analysis, Mc Graw-Hill, New York, 2000. [12] Kalyanmoy Deb, et al, "A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II", IEEE Transaction on Evolutionary Computation, Vol. 6, No. 2, April 2002, pp. 182-197. [1]
19 14 16
20 17
13
12
10
C
C 11
1
4
6
3 7
8
2 5 C Gambar 11. Sistem IEEE 30 bus dengan 7 unit DG
Daya keluaran total pada semua bus yang terseleksi adalah sebesar 56 MW. Nilai tersebut merupakan hasil proses optimasi menggunakan NSGA-II sehingga didapatkan kompromi terbaik antara keandalan unit DG dan penghematan bahan bakar sebagai fungsi dari daya keluaran DG. Dengan nilai daya keluaran total sebesar 56 MW, DG masih memiliki cadangan daya sebesar 14 MW (20% dari total kapasitas terpasang DG). Selain itu penambahan 7 unit DG dengan kombinasi optimal ini juga mengakibatkan nilai pembebanan yang masih dapat ditanggung sistem mencapai 110% dari beban normalnya serta memberikan penurunan rugi-rugi jaringan yang cukup besar.
Radika Hendri Wijaya, lahir di kota Nganjuk pada tanggal 28 Desember 1988 dari pasangan suami-istri Widodo dan Hartiningsih. merupakan anak pertama dari dua bersaudara, menempuh pendidikan sekolah dasar di Sekolah Dasar Negeri Banaran I. Kemudian melanjutkan pendidikan ke Sekolah Menengah Pertama Negeri 1 Kertosono, dan menempuh pendidikan Sekolah Menengah Atas di SMA Negeri 1 Kertosono. Sekarang ini sedang menempuh pendidikan di Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember. Menekuni bidang studi Teknik Sistem Tenaga. Dalam beorganisasi, aktif sebagai Ketua Persekutuan Mahasiswa Kristen (PMK) ITS, kepanitiaan SITIA (Seminar on Inteligent Technologi and Its Application), serta beberapa kegiatan kemahasiswaan lainnya.
V. KESIMPULAN Dari hasil simulasi dan analisis yang telah dilakukan dapat disimpulkan bahwa : 1. Penempatan dan penentuan daya keluaran DG yang tepat dapat memperbaiki nilai tegangan bus agar dapat tetap berada pada batas normalnya. 2. Pemilihan lokasi dan daya keluaran yang tepat menyebabkan unit DG memiliki keandalan yang tinggi dan menggunakan bahan bakar dengan lebih efisien. 3. Penghematan bahan bakar unit DG sangat mempengaruhi cadangan daya DG atau dengan kata lain memiliki dampak yang besar terhadap keandalan sistem. 6