PERKIRAAN STABILITAS TRANSIEN PADA SISTEM TENAGA LISTRIK MULTIMESIN JAWA BALI 500 KV MENGGUNAKAN COMMITTEE NEURAL NETWORK

PERKIRAAN STABILITAS TRANSIEN PADA SISTEM TENAGA LISTRIK MULTIMESIN JAWA BALI 500 KV MENGGUNAKAN COMMITTEE NEURAL NETWORK Eko Prasetyo – 2205 100 092 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya - 60111 Abstrak : Pada sistem tenaga listrik multimesin skala besar, pengaturan stabilitas transien merupakan hal yang sangat penting. Beberapa metode perkiraan stabilitas transien memerlukan waktu komputasi yang lama, untuk mengatasinya maka dikembangkanlah metode perkiraan stabilitas transien menggunakan neural network (NN). Pada penelitian ini status stabilitas dan critical clearing time (CCT) diperkirakan menggunakan metode committee neural network (CNN) yang membagi proses prediksi kepada beberapa NN expert yang akhirnya menghasilkan suatu keputusan keseluruhan. Sistem multimesin yang diuji coba adalah sistem interkoneksi Jawa - Bali 500 kV milik PLN. Diasumsikan terdapat hubung singkat tiga fasa simetris pada sistem, kemudian status stabilitas transien dan CCT dihitung menggunakan metode kriteria luas sama. Status stabilitas transien dan CCT yang diperoleh digunakan sebagai target bagi CNN. Tiap NN expert dilatih menggunakan metode backpropagation neural network (BPNN) dan hasilnya digunakan pada suatu aplikasi mandiri. Metode ini diuji dengan membandingkan hasil perkiraan oleh CNN dan komputasi menggunakan metode kriteria luas sama. Ketika diuji dengan data yang tidak diajarkan, CNN memiliki akurasi maksimal sebesar 100% dan akurasi minimal sebesar 97,90% dalam memperkirakan status stabilitas. Ketika CNN diuji untuk memperkirakan nilai CCT, diperoleh akurasi maksimal sebesar 100% dan akurasi minimal sebesar 70,42%. Kata kunci : stabilitas transien, sistem multimesin, committee neural network, kriteria luas sama, backpropagation neural network.

I. PENDAHULUAN Kualitas tenaga listrik harus selalu dijaga agar kontinuitas layanan listrik dapat dipenuhi. Salah satu faktor yang mempengaruhi kontinuitas layanan adalah stabilitas transien. Stabilitas transien adalah kemampuan sistem tenaga listrik untuk mencapai kondisi stabil operasi baru setelah mengalami gangguan besar [1]. Pemadaman listrik skala besar akan menimbulkan kerugian besar, baik secara materiil maupun imateriil [2]. Pada penelitian ini CNN digunakan untuk memperoleh penafsiran stabilitas transien yang akurat dan proses komputasi yang cepat. Salah satu tipe CNN pernah digunakan untuk memperkirakan status stabilitas transien sistem multimesin ketika saluran diputus pada waktu tertentu [3]. CNN tersusun atas beberapa NN expert yang bekerja secara simultan untuk menghasilkan suatu keputusan keseluruhan [4]. Pembelajaran tiap expert yang menyusun CNN dilakukan menggunakan metode BPNN. Pada penelitian sebelumnya,

radial basis function neural network (RBFNN) terbukti melakukan pembelajaran lebih cepat daripada multi layer perceptron (MLP) [5]. BPNN menggunakan metode pelatihan terbimbing yang menggunakan pola masukan dan keluaran untuk menentukan bobot penimbang serta didesain untuk operasi pada NN feed forward multi layer [6]. II. TEORI PENUNJANG 2.1 Studi Aliran Daya Inti dari setiap metode aliran daya adalah proses iterasi hingga tercapainya konvergensi [7]. Besaran awal yang dibutuhkan sebagai input dalam studi aliran daya adalah tegangan (V) dan sudut fasa ( δ ) bus swing (slack), daya aktif (Pl) dan daya reaktif (Ql) bus beban, serta daya aktif (Pg) dan tegangan (Vg) bus generator. Informasi utama yang diperoleh dari suatu analisis aliran daya adalah besar dan sudut fasa tegangan pada tiap bus serta daya nyata dan daya reaktif yang mengalir pada masing-masing saluran. 2.2 Kriteria Luas Sama Studi stabilitas transien melibatkan penentuan apakah sinkronisasi dapat dipertahankan setelah mesin mengalami gangguan besar. Kehilangan sinkronisasi karena gangguan transien biasanya akan tampak 2 - 3 detik setelah gangguan pertama [8]. Metode kriteria luas sama didasarkan pada interpretasi grafis energi yang tersimpan pada benda berputar sebagai bantuan untuk menentukan kemampuan mesin dalam mempertahankan stabilitasnya setelah mengalami suatu gangguan.

Gambar 1. Sistem mesin tunggal terhubung ke infinite bus, gangguan 3 fasa pada titik F

Gambar 2. Kriteria luas sama untuk gangguan 3 fasa jauh dari sisi kirim.

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Halaman 1 dari 6 halaman

Misalkan sebuah generator sinkron terhubung ke infinite bus dan terdapat hubung singkat tiga fasa seimbang pada titik F yang jauh dari sisi kirim, reaktansi ekivalen akan bertambah dan menurunkan kemampuan transfer daya. Selama terjadi gangguan, titik operasi bergeser ke titik b pada kurva B. Daya input mekanis yang melebihi daya output elektris mempercepat rotor dan menyimpan energi kinetik sehingga sudut naik. Apabila gangguan dihilangkan pada 1 dengan memutus saluran, hal ini menggeser titik operasi ke e pada kurva C. Daya bersih menurun dan energi kinetik yang tersimpan sebelumnya berkurang sampai nol pada titik f. Menurut kriteria luas sama, sistem akan stabil ketika luas daerah A1 sama dengan A2. Perhitungan luas tiap daerah dapat dihitung menggunakan persamaan berikut : δ

A1 = Pm (δ c − δ 0 ) − ∫δ c P2 max sin δdδ

(1)

0

δ

A2 = ∫δ max P3 max sin δdδ − Pm (δ max − δ c ) c

(2)

Redaman pada mesin menyebabkan osilasi menghilang dan kondisi steady state yang baru dimulai pada titik f. Pada kondisi sistem multimesin, persamaan dapat ditulis sama seperti sistem mesin tunggal yang terhubung dengan infinite bus dengan beberapa asumsi penyederhanaan [9]. 2.3 Artificial Neural Network Artificial neural network (ANN) adalah sebuah sistem pemroses informasi dengan karakteristik tertentu yang dibuat menyerupai suatu jaring saraf biologis [10]. Misalkan terdapat n buah masukan dan penimbang, fungsi keluaran dari tiap neuron adalah sebagai berikut : F(x,W) = f(w1x1 + ... + wnxn) (3)

disebar mundur (backward) pada lapisan tersembunyi dan diteruskan ke unit pada lapisan masukan. 2.5 Committee Neural Network Salah satu metode dalam menyelesaikan suatu komputasi yang kompleks adalah dengan membagi proses komputasi menjadi beberapa bagian sederhana untuk kemudian menggabungkan hasil komputasi dari beberapa bagian tersebut untuk memperoleh keputusan keseluruhan [4]. Kombinasi ini lah yang akan menghasilkan apa yang disebut mesin komite (committee machine) atau lebih umum dengan committee neural network (CNN). CNN juga dikenal sebagai bentuk struktur gabungan beberapa NN yang bekerja secara simultan untuk mengambil suatu keputusan keseluruhan. CNN dapat diklasifikasikan menjadi dua kategori berdasarkan strukturnya, yaitu struktur statis dan dinamis. Tipe statis terdiri atas dua metode yaitu, ensemble averaging yang mengkombinasikan secara linier keluaran expert yang berbeda untuk mendapatkan keluaran keseluruhan dan boosting yang mengubah suatu algoritma pembelajaran yang lemah menjadi algoritma yang memiliki akurasi sangat tinggi. Pada tipe dinamis juga dikenal dua macam metode yaitu mixture of expert (ME) dimana respon individu tiap expert dikombinasikan secara non linier untuk memperoleh keluaran keseluruhan dan hierarchical mixture of expert (HME), yaitu metode ketika respon individu tiap expert dikombinasikan secara non linier melalui beberapa jaringan gerbang (gating network) yang tersusun dalam suatu model hirarki. III. METODOLOGI 3.1 Perencanaan Penelitian Berikut ini adalah langkah penelitian penafsiran stabilitas transien sistem tenaga listrik multimesin Jawa - Bali 500 kV menggunakan committee neural network :

Gambar 3. Model tiruan neuron tanpa bias

Proses belajar (learning) bagi ANN merupakan proses mengatur nilai bobot penimbangnya untuk mendapatkan nilai yang terbaik dengan melatih ANN menggunakan sekumpulan data, menurut unjuk kerja sistem yang dikehendaki [6]. 2.4 Backpropagation Neural Network Algoritma pelatihan BPNN terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya [6]. Secara garis besar, algoritma ini disebut sebagai backpropagation neural network (BPNN) karena ketika jaringan diberi pola masukan sebagai pola pelatihan, maka pola tersebut disebarkan maju (forward) menuju ke unit-unit pada lapisan tersembunyi dan diteruskan pada lapisan keluaran yang akan memberikan tanggapan yang disebut sebagai keluaran jaringan. Ketika keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan

Gambar 4. Flowchart langkah penelitian

Penelitian dimulai dengan mengumpulkan data sistem interkoneksi Jawa - Bali 500 kV yang meliputi parameter



saluran, parameter bus yang terdiri dari beban dan generator, serta data pembangkitan sistem tiap jam. Studi aliran daya dilakukan menggunakan metode Newton-Raphson untuk memperoleh nilai pembangkitan daya reaktif tiap generator yang nantinya akan digunakan sebagai masukan bagi NN. Metode kriteria luas sama (equal area criteria - EAC) digunakan untuk memperkirakan status stabilitas transien sistem dan CCT yang nantinya digunakan sebagai masukan dan target bagi pembelajaran NN. Pembelajaran tiap NN expert dilakukan secara individu menggunakan metode BPNN. Hasil pembelajaran yang berupa weight dan parameter normalisasi disimpan. Untuk mengetahui keandalan metode yang diusulkan, kemampuan CNN diuji menggunakan data yang pernah dan tidak pernah diajarkan sebelumnya. Parameter NN yang telah disimpan digunakan sebagai data penunjang bagi aplikasi mandiri yang didesain menggunakan perangkat pemrograman Delphi. 3.2 Penafsiran Stabilitas Transien Menggunakan Kriteria Luas Sama Apabila terjadi gangguan transien pada suatu sistem tenaga listrik skala besar, pada umumnya hanya beberapa (atau mungkin satu) mesin saja yang paling terganggu atau terpengaruh dengan gangguan tersebut. Mesin-mesin yang terganggu dapat memiliki batas stabilitas yang berbeda, namun mesin yang memiliki batas stabilitas terendah dapat dianggap sebagai mesin yang paling kritis. Ketika terjadi gangguan, mesin paling kritis akan menjadi mesin yang pertama kali kehilangan sinkronisasi.

dan angka 0 berarti sistem tidak stabil. Pada sistem yang stabil, ketika sistem tidak akan mengalami kondisi tidak stabil pada semua kondisi CCT, maka CCT diasumsikan bernilai 1 detik. Ketika sistem akan mengalami kondisi tidak stabil pada suatu CCT tertentu, maka nilai CCT tersebut yang digunakan. Pada sistem yang tidak stabil, CCT diasumsikan sebagai 0 detik. Untuk keperluan pembelajaran, parameter NN yang harus ditentukan adalah sebagai berikut : 1. Fungsi pembelajaran : traingdm 2. Jumlah Layer : § Input layer : 18 neuron (expert 1, 2, dan 3), 6 neuron (expert 4) § Hidden layer : 2 buah, 49 dan 45 neuron § Output layer : 2 neuron 3. Fungsi aktivasi : § Hidden layer 1 : tansig (fungsi sigmoid bipolar) § Hidden layer 2 : logsig (fungsi sigmoid biner) § Output layer : purelin (fungsi identitas) 4. Iterasi maksimal : 500000 epoch (expert 1, 2, 3, dan 4) 5. Error minimal : 1e-9 6. Learning rate : 0.55 7. Momentum : 0.77 8. Hasil pelatihan ditampilkan tiap : 5000 epoch IV. PENGUJIAN DAN ANALISIS 4.1 Konfigurasi Sistem Interkoneksi Jawa - Bali 500 kV Sistem tenaga listrik yang digunakan adalah sistem interkoneksi Jawa - Bali 500 kV milik PLN yang terdiri dari 8 pembangkit tenaga listrik, 23 bus, dan 28 saluran transmisi, dengan single line diagram sebagai berikut :

3.3 Penafsiran Stabilitas Transien Menggunakan Comittee Neural Network Pembangkitan daya aktif dan reaktif tiap generator, bus yang mengalami gangguan, dan saluran transmisi yang diputus digunakan sebagai masukan untuk expert 1, 2, dan 3. Kondisi stabilitas sistem yang berupa status stabilitas dan CCT digunakan sebagai target pelatihan tiap NN expert, sedangkan keluaran expert 1, 2, dan 3 digunakan sebagai masukan untuk expert 4. Keluaran keseluruhan sistem adalah keluaran expert 4 yang merupakan hasil generalisasi dari keluaran expert 1, 2, dan 3.

Gambar 5. Diagram blok CNN yang digunakan dalam penelitian

Kondisi stabilitas yang berupa status stabilitas dan CCT digambarkan menggunakan aturan tertentu. Status stabilitas digambarkan dalam angka biner, angka 1 berarti sistem stabil


Gambar 6. Single line diagram sistem interkoneksi Jawa - Bali 500 kV


Parameter-parameter bagian sistem interkoneksi Jawa Bali 500 kV yang digunakan dalam penelitian ini adalah seperti yang terdapat pada tabel 1, tabel 2, dan tabel 3.

simetris pada bus 1 dan saluran 1 – 2 diputus, maka tampilan program ketika telah dieksekusi adalah sebagai berikut :

Tabel 1. Parameter saluran transmisi sistem interkoneksi Jawa - Bali 500 kV No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Bus Asal 1 1 2 3 4 4 5 5 5 6 6 8 9 10 11 12 13 14 14 14 15 16 16 18 19 20 21 22

Bus Tujuan 2 4 5 4 5 18 7 8 11 7 8 9 10 11 12 13 14 15 16 20 16 17 23 19 20 21 22 23

1

R

X

0,0006265 0,0065133 0,0131333 0,0015132 0,0012464 0,0006942 0,0044419 0,0062116 0,0041114 0,0019736 0,0056256 0,0028221 0,0027400 0,0014747 0,0019578 0,0069910 0,0134780 0,0135339 0,0157986 0,0090361 0,0375396 0,0013947 0,0039864 0,0140560 0,0153110 0,0102910 0,0102910 0,0044358

0,0070088 0,0625763 0,1469258 0,0169283 0,0119750 0,0066693 0,0426754 0,0596780 0,0459950 0,0189618 0,0540480 0,0271130 0,0263242 0,0141685 0,0219024 0,0671659 0,1294900 0,1514074 0,1517848 0,0868146 0,3606623 0,0133994 0,0445967 0,1572480 0,1712880 0,1151280 0,1151280 0,0496247

/2Bc

Tap

0,0000000 0,0059898 0,0035306 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0044210 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0064291 0,0123948 0,0036383 0,0036322 0,0000000 0,0086307 0,0000000 0,0000000 0,0151144 0,0164639 0,0110659 0,0110659 0,0047698

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Gambar 7. Tampilan program ketika telah dilakukan eksekusi penafsiran stabilitas transien sistem.

4.3.1 Pengujian Kasus 1 NN diuji menggunakan kondisi pembangkitan yang telah diajarkan sebelumnya. Kondisi yang diujikan adalah kondisi pembangkitan sistem tiap jam pada tanggal 30 Maret 2009. a. Perkiraan Status Stabilitas Transien Sistem Perbandingan status stabilitas transien keluaran metode EAC dan CNN untuk pola pembangkitan dalam pengujian kasus 1 ditampilkan pada tabel 4.

Tabel 2. Parameter reaktansi dan batas daya reaktif generator dalam sistem interkoneksi Jawa - Bali 500 kV Generator

Bus

Ra

Xd'

H

Suralaya Muaratawar Cirata Saguling Tanjung Jati Gresik Paiton Grati

1 8 10 11 15 17 22 23

0 0 0 0 0 0 0 0

0,1418445 0,0498565 0,0982143 0,2820233 0,4842950 0,1869112 0,1567810 0,2630799

5,19 1,82 2,86 1,64 3,20 2,54 4,42 2,76

Q (Mvar) Minimal Maksimal -600 2040 -700 1540 -488 488 -140 440 -240 720 -610 660 -840 1920 -302 566

4.2 Pembelajaran Artificial Neural Network Pembelajaran tiap NN expert dilakukan menggunakan 33 pola pembangkitan yang terdiri atas 24 pola pembangkitan riil dan 9 pola buatan. Pada tiap pola pembangkitan terdapat 54 pola lokasi gangguan dan pemutusan saluran, sehingga diperoleh total 1782 pola pembelajaran. Tabel 3. MSE minimal tiap expert Neural Network Expert 1 Expert 2 Expert 3 Expert 4

MSE 0,000177322 0,001123790 0,003316020 0,000063666

Seluruh NN expert dilatih hingga diperoleh kondisi epoch maksimal karena tidak satu pun NN expert dapat mencapai batas nilai MSE minimal yang diinginkan. 4.3 Pengujian Artificial Neural Network Pengujian dilakukan secara langsung pada aplikasi mandiri yang telah dibuat. Dimisalkan pada tanggal 30 Maret 2009 jam 19.00WIB terdapat hubung singkat tiga fasa


Tabel 4. Perbandingan status stabilitas pada kasus 1 No 1 2 3 4 5 6 7 8 9 10 11 12

EAC 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

CNN 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Error (%) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

No 13 14 15 16 17 18 19 20 21 22 23 24

EAC 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

CNN 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Error (%) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

Berdasarkan data pada tabel 4 dapat diketahui bahwa error minimal dan maksimal CNN dalam memperkiraan status stabilitas transien untuk kondisi pengujian kasus 1 adalah sebagai berikut : - Error minimal : 0,00 % - Error maksimal : 0,00 % b. Perkiraan CCT untuk Circuit Breaker Perbandingan CCT keluaran metode EAC dan CNN untuk pola pembangkitan dalam pengujian kasus 1 ditampilkan pada tabel 5. Tabel 5. Perbandingan CCT pada kasus 1 No 1 2 3 4 5 6 7 8 9 10 11 12

EAC (s) CNN (s) Error (%) 0,203 0,203 0,00 0,214 0,216 0,93 0,214 0,212 0,93 0,216 0,210 2,78 0,194 0,194 0,00 0,194 0,191 1,55 0,216 0,213 1,39 0,198 0,202 2,02 0,155 0,151 2,58 0,148 0,151 2,03 0,159 0,158 0,63 0,137 0,142 3,65

No EAC (s) CNN (s) Error (%) 13 0,146 0,144 1,37 14 0,146 0,146 0,00 15 0,142 0,136 4,23 16 0,134 0,131 2,24 17 0,135 0,136 0,74 18 0,140 0,140 0,00 19 0,147 0,147 0,00 20 0,136 0,135 0,74 21 0,133 0,130 2,26 22 0,136 0,125 8,09 23 0,164 0,146 10,98 24 0,186 0,183 1,61


pembangkitan sistem pada bulan Maret 2009 yang diambil secara acak. a. Perkiraan Status Stabilitas Transien Sistem Perbandingan status stabilitas transien keluaran metode EAC dan CNN untuk pola pembangkitan dalam pengujian kasus 2 ditampilkan pada tabel 6.

Berdasarkan data pada tabel 5 dapat diketahui bahwa error minimal dan maksimal CNN dalam memperkiraan CCT untuk kondisi pengujian kasus 1 adalah sebagai berikut : - Error minimal : 0,00 % - Error maksimal : 10,98 %

Tabel 6. Perbandingan status stabilitas pada kasus 2

4.3.2 Analisis Hasil Pengujian Kasus 1 Berdasarkan persentase error pada tabel 4 dapat diketahui bahwa CNN memiliki akurasi perkiraan status stabilitas transien untuk kondisi pengujian kasus 1 sebagai berikut : - Akurasi minimal : 100,00 % - Akurasi maksimal : 100,00 % Secara grafis, akurasi CNN dalam memperkirakan status stabilitas pada pengujian kasus 1 dapat dilihat pada gambar 8.

No 1 2 3 4 5 6 7 8 9 10 11 12

1.250 Status Stabilitas

CNN 1,000 0,979 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Error (%) 0,00 2,10 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

No 13 14 15 16 17 18 19 20 21 22 23 24

EAC 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

CNN 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Error (%) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

Berdasarkan data pada tabel 6 dapat diketahui bahwa error minimal dan maksimal CNN dalam memperkiraan status stabilitas transien untuk kondisi pengujian kasus 2 adalah sebagai berikut : - Error minimal : 0,00 % - Error maksimal : 2,10 %

1.500

1.000 0.750 0.500

b. Perkiraan CCT untuk Circuit Breaker Perbandingan CCT keluaran metode EAC dan CNN untuk semua pola pembangkitan dalam pengujian kasus 2 ditampilkan pada tabel 7.

0.250 0.000 0

5

10

15

20

25

Data keCNN

EAC

Tabel 7. Perbandingan CCT pada kasus 2 No 1 2 3 4 5 6 7 8 9 10 11 12

Gambar 8. Grafik perbandingan status stabilitas pada kasus 1

Berdasarkan persentase error pada tabel 5 dapat diketahui bahwa CNN memiliki akurasi perkiraan CCT pada pengujian kasus 1 sebagai berikut : - Akurasi minimal : 89,02 % - Akurasi maksimal : 100,00 % Secara grafis, akurasi CNN dalam memperkirakan CCT pada pengujian kasus 1 dapat dilihat pada gambar 9.

EAC (s) CNN (s) Error (%) 0,215 0,219 1,86 0,197 0,150 23,86 0,160 0,160 0,00 0,155 0,162 4,52 0,141 0,144 2,13 0,146 0,154 5,48 0,140 0,127 9,29 0,137 0,152 10,95 0,132 0,134 1,52 0,177 0,166 6,21 0,145 0,121 16,55 0,131 0,137 4,58

No EAC (s) CNN (s) Error (%) 13 0,216 0,155 28,24 14 0,213 0,150 29,58 15 0,220 0,164 25,45 16 0,155 0,150 3,23 17 0,158 0,161 1,90 18 0,147 0,129 12,24 19 0,137 0,174 27,01 20 0,147 0,177 20,41 21 0,142 0,103 27,46 22 0,153 0,145 5,23 23 0,157 0,141 10,19 24 0,143 0,143 0,00

Berdasarkan data pada tabel 7 dapat diketahui bahwa error minimal dan maksimal CNN dalam memperkiraan CCT untuk kondisi pengujian kasus 2 adalah sebagai berikut : - Error minimal : 0,00 % - Error maksimal : 29,58 %

0.350 0.300 0.250 CCT

EAC 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

0.200 0.150 0.100 0.050 0.000 0

5

10

15

20

25

Data keCNN

EAC

Gambar 9. Grafik perbandingan CCT pada kasus 1

4.3.3 Pengujian Kasus 2 NN diuji menggunakan kondisi pembangkitan yang tidak diajarkan sebelumnya. Kondisi yang diujikan adalah

4.3.4 Analisis Hasil Pengujian Kasus 2 Berdasarkan persentase error pada tabel 6 dapat diketahui bahwa CNN memiliki akurasi perkiraan status stabilitas transien untuk kondisi pengujian kasus 2 sebagai berikut : - Akurasi minimal : 97,90 % - Akurasi maksimal : 100,00 % Secara grafis, akurasi CNN dalam memperkirakan status stabilitas pada pengujian kasus 2 dapat dilihat pada gambar 10.



1.500

Status Stabilitas

1.250 1.000 0.750 0.500 0.250 0.000 0

5

10

15

20

25

Data ke -

CNN

EAC

Gambar 10. Grafik perbandingan status stabilitas pada kasus 2

Berdasarkan persentase error pada tabel 7 dapat diketahui bahwa CNN memiliki akurasi perkiraan CCT pada pengujian kasus 2 sebagai berikut : - Akurasi minimal : 70,42 % - Akurasi maksimal : 100,00 % Secara grafis, akurasi CNN dalam memperkirakan CCT pada pengujian kasus 2 dapat dilihat pada gambar 11.

5.2 Saran Perangkat lunak ini hanya bisa digunakan untuk hubung singkat 3 fasa simetri yang terjadi pada bus, kedepan dapat dikembangkan untuk jenis hubung singkat yang lain di berbagai tempat dan lokasi pemutusan. Akurasi perkiraan pada program ini dapat diperbaiki dengan menambah data pelatihan, memperbesar variasi data pelatihan, menambah parameter masukan pelatihan, atau mengganti tipe NN yang digunakan dengan NN lain yang memiliki kemampuan prediksi non linier lebih baik. Perangkat lunak ini dapat dijadikan sebagai dasar untuk pengembangan software monitoring berbasis kecerdasan buatan untuk sistem interkoneksi Jawa - Bali 500 kV yang terintegrasi dengan sistem SCADA yang sudah ada. DAFTAR PUSTAKA [1]. [2]. [3].

[4].

0.350 0.300

[5].

CCT

0.250 0.200 0.150

[6].

0.100

[7].

0.050 0.000 0

5

10

15

20

25

[8].

Data ke-

[9]. CNN

EAC

Gambar 11. Grafik perbandingan CCT pada kasus 2

V.

PENUTUP

5.1 Kesimpulan Pengujian perkiraan stabilitas transien sistem menggunakan data-data yang diajarkan pada NN menunjukkan bahwa CNN dapat memperkirakan semua status stabilitas transien dengan benar atau dengan akurasi 100%. Ketika CNN diuji untuk memperkirakan nilai CCT, maka diperoleh akurasi maksimal sebesar 100% dan akurasi minimal sebesar 89,02%. Pengujian perkiraan stabilitas transien sistem menggunakan data-data yang tidak diajarkan pada NN menunjukkan bahwa CNN dapat memperkirakan status stabilitas transien dengan akurasi maksimal sebesar 100% dan akurasi minimal sebesar 97,90%. Ketika CNN diuji untuk memperkirakan nilai CCT, maka diperoleh akurasi maksimal sebesar 100% dan akurasi minimal sebesar 70,42%. Pada penelitian ini metode CNN layak digunakan untuk memperkirakan status stabilitas transien pada sistem interkoneksi Jawa - Bali 500 kV, namun disisi lain masih kurang layak untuk memperkirakan CCT karena masih terdapat selisih akurasi yang cukup besar.

[10]. [11].

Imam Robandi, Desain Sistem Tenaga Modern, Andi, Yogyakarta, 2006. Djiteng Marsudi, Pembangkitan Energi Listrik, Erlangga, Jakarta, 2005. Reza Ebrahimpour dan Easa K.A, “An Improved Method in Transient Stability Assessment of a Power System Using Committee Neural Networks”, International Journal of Computer Science and Network Security, Vol. 9, No. 1, 2009. Simon Haykin, Neural Networks a Comprehensive Foundation, Pearson Prentice Hall, India, 2005. Noor Izzri A.W. dan Mohamed Azah, “Transient Stability Assessment of a Power System Using Probabilistic Neural Network”, American Journal of Applied Sciences 5, (9):1225232, ISSN 1546-9239, 2008. Mauridhi Hery P. dan Agus Kurniawan, Supervised Neural Networks dan Aplikasinya, Graha Ilmu, Yogyakarta, 2006. Hadi Saadat, Power System Analysis, McGraw Hill, Singapura, 2004. Prabha Kundur, Power System Stability and Control, Mc. Graw Hill, Singapura, 1994. Boy Sandra, Perancangan Software Aplikasi Untuk Perkiraan Stabilitas Transien Multimesin Menggunakan Metode Kriteria luas sama, Tugas Akhir Jurusan Teknik Elektro FTI-ITS, Surabaya, 2009. Saludin Muis, Teknik Jaringan Syaraf Tiruan, Graha Ilmu, Yogyakarta, 2006. Jong Jek S., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Andi, Yogyakarta, 2006.

DAFTAR RIWAYAT HIDUP Penulis lahir di Surabaya pada 9 Maret 1987 dengan nama Eko Prasetyo sebagai putra pertama pasangan Slamet dan Suprihatin. Pendidikannya dimulai di SD Muhammadiyah 15 Surabaya dan dilanjutkan di SD Muhammadiyah 1 Sidoarjo ketika menginjak kelas 5. Lulus dari SLTP Negeri 1 Sidoarjo pada tahun 2002 dan melanjutkan ke SMA Negeri 1 Sidoarjo serta lulus pada tahun 2005. Pada tahun yang sama penulis melanjutkan studinya di Jurusan Teknik Elektro, FTI-ITS melalui jalur SPMB dan memperoleh NRP 2205 100 092. Sejak 2006 - 2008 penulis aktif dalam komunitas robotika ITS dan memperoleh prestasi cemerlang dalam Kontes Robot Cerdas Indonesia (KRCI) 2008. Dalam perkuliahan penulis mengambil bidang studi teknik sistem tenaga dengan konsentrasi desain dan manajemen sistem tenaga listrik. Penulis dapat dihubungi pada alamat e-mail: [email protected] atau [email protected]



PERKIRAAN STABILITAS TRANSIEN PADA SISTEM TENAGA LISTRIK MULTIMESIN JAWA BALI 500 KV MENGGUNAKAN COMMITTEE NEURAL NETWORK

Recommend Documents