lmplementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik

50 %
50 %
Information about lmplementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor...
Technology

Published on March 8, 2014

Author: carwoto

Source: slideshare.net

Description

This paper presents application of Genetic Algorithm for determining the size, location, type, and number of capacitor to be placed on radial distribution system. The objective is to minimize the peak power losses and energy losses in the distribution system considering the capacitor cost. The algorithm was implemented in Delphi programming language and tested for a realistic physically-existing feeder to show its feasibility and capabilities.

Ittrnctl Telcttolosi lrtformasi DINAM,tK Volume Xtl. No.2. Jtlli 200.7. ; ISSN : 085 4'9524 122-130. lmplementasi Algoritnra Genetika untuk optimasi Penempatan l(apasitor shurtt pada Penyulang Distribusi Tenaga Listrik Carwoto program Studi Teknik Informatika, STMII( ProVisi Semarang e-mail : carwoto@Yahoo.colrl mechanic.s of'natttrol selection antl Abstract ; Gen.etic Algorithm is a kincl of search algorithm based on the problcrn nuturullY. the size, location, type, antl number This paper presents application of Genetic Algorithm for cletermining The objective is to minimize the peak power losses iy ripi"iri, to be placetl on radial clistribution system. algrtrilhm wus implauantatl inrt irrrgy losses in the clistribution system consiilering the capacitor cosl. The trrtod.Sor u realistic physically-existing.f'eedet to shotv its ,lausihilit.t' in Delphi programming language onil 0nd capabilities'. Keltw,ord ; irnplementation olgot'ithm genetic genetika dan seleksi alam (Sastry, IENDAHULUAN Kapasitor shunt banyak dipakai sebagai kompensator daya reaktif pada penyLllang distribusi primer sistem tenaga listrik' Dengan memasang kapasitor shunt, rllgi-rLlgi energi (energ1,, /osses) clan rugi-rugi daya puncak Qtealc pov)et' /osses) clapat dikurangi sampai ke tingkat yang dikehendaki (Grainger, 1981). Besar kornpensasi yang diberikan kapasitor terhadap sistem distlibusi sangat tergantung pada formasi penempata:t kapasitor tersebut, yang meliputi penentuan lokasi, ukuran, jumlah, dan tipe kapasitor. Metode yang semllla sering dipakai untuk menyelesaikan masalah optimasi penempatan kapasitor shunt pada sistem distribusi primer aclalah ltletocle-ntetode deterministik (Graing€f, 1983). Metode ini memerlukan informasi tambahan,untr-rk dapat mencapai solusi optimal yang diinginkan, seperti kontinr-ritas dan turunan fungsi. Disamping itu, ministik melakllkan pencarian nilai optimum dari titik ke titik dalam ruang penyelesaian, maka sangat rlelrrungkinkan pencap atan optinium lokal (local optima), apabila dalam ruang pencarian terdapat lranyak titik penyelesaian karena metode deter- (Goldberg, 1989). Algoritma Genetika merupakan algoritma pencarian yang dilandaskan atas mekanisme K. et.al., 2004). Dalam ilmu komputer, Algoritma Genetika termasuk dalam kajian komputasi lunak (soft computing) dan kecerdasan buatan (artiJicial inteligence). Pada beberapa literatur, seperti ditr-rlis Runarsson (2005) dan Jun IIe, et. al. (2005), algoritma dengan cara kerj a yang serllpa disebut dengan Algoritma Evolr-rsi (Evotutionary Algorithm). Algoritma Genetika memulai pencarian solusi dengan suatu populasi titik solusi penyelesaian secara simultan, sehingga kemungkinan pencapaian optimum lokal dapat diperkecil. Karena terbukti sebagai cara pendekatan valid untuk menyelesaikan masalah optimasi yang memerlukan pencarian efektif clan efisien, sekarang ini Algoritma'Genetika telah diterapkan secara luas dalam berbagai aplikasi bisnis, ilmu pengetahuan, teknil< dan rekayasa. Tulisan ini memaparkan hasil studi kasus optimasi pemilihan ukuran dan lokasi atan kapasitor shunt pada penylllang distribusi tenaga listrik prirner berbentuk radial tanpa cabang menggunakan Algoritma Genetika yang dioperasikan secara mandiri (GA alone). Maksudnya, tidak ada algoritma perhitungan lain yang dipakai mendahului, bersamaan, atau sesudah pengoperasian rutin-rutin Algoritma Genetika pada proses optimasi tersebut. Untr.rk mengimplementasikan Algoritma Genetika pada penemp kasus yang dipilih, telah dibuat aplikasi t,optimasi-PeiempatanKapasitorShuntpadaPenyulangDistribusiTenagaListrik I

ttt'nul Teknolo iln 'brnrasi DINAMIK Volunte XII No.2 Juli2007; l22-I30 kompr-rter menggunakan bahasa pemrograman hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan modifikasi terhadap satu atau lebih nilai gen pada Delphi 7 .0. individu yang sama. Mutasi mencegah kehilangan total materi genetika setelah reprodr-rksi dan pindah silang. Ilustrasi proses mutasi dapat dilihat pada Gamb ar ) PRINSIP DASAR ALGORITMA GEIETIKA Algoritma Genetika adalah algoritma pencarian yang berdasarkan mekanisme seleksi alam Darwin dan prinsip-prinsip genetika, untuk menentr:kan strr-rktur-struktur (yang masingmasing disebut individu) berkualitas tinggi yang terdapat dalam sebuah domain (yang disebut popLrlasi). Pencarian dilakr-rkan dengan su&tn ISSN:0854-9524 . Sbirg 1 Sfiry 1 1 rlrlr 111 HrdfiSlag -___* prosedur iteratif untuk mengatur populasi individr-r yang merupakan kandidat-kandidat soh-rsi. Dibanding metoda optimasi lain, Algo- pencarian terbimbing (Goldberg, 1989) 1. SirUl Gambar 2. Ilustrasi Proses Mutasi (crossover), clan rrrutasi. )rrlurl l)r'oscr; rcl)l'o(ltrl<si, sctia;l indiviclu lx)l)rrlusr llutlu srrirtr-r gcncrasi clisclcltsi berdasarkan nilai fitnessnya untuk bereproduksi guna menghasilkan keturunan. Probnbilitas terpilihnya snatu individu untul< I rcllrotlultsi adalalr sclrcsar nilai litness individu tersebr-rt dibagi dengan jumlah nilai tre fltness seluruh individu dalarn populasi l()t)I;) (l)lrvis,, Pinclah silang adalalr proses pemilihan posisi string secara acak dan menukar karakterkarakter stringnya (Goldberg, 1989; Davis, 1991). Ilustrasi proses pindah silang dapat dilihat pada Gambar 1. String 1 dan String 2 mengalami proses pindah Ebu lfrikrnlai Tiga operator dasar yang sering digunakan dalarn Algoritma Genetika adalah repro- menghasilkan String Sirgl MHJ . silang, 1 Baru dan String 2. Parameter-Parameter Genetika Paranleter-paranrcter genc.tika bcr-per-arr clnlatrt pcrlgcndnlinrr ()l)crirtor'-trpcnrtor gc- netika yang digunakan dalam optimasi menggunakan Algoritma Genetika (Davis, 1 991 ; Sundh ararEan, 1994; Sastry, 2004). Paranrcler ce nctil<a yang scring cligunukiln meliputi ukuran populasi (N), probabilitas pindah silang (P.), dan probabilitas mutasi (P,,,)' Pemilihan ukuran popLrlasi yang di_qunakan tergantung pada masalah yang akan Ijntuk masalah yang lebih kompleks biasanya diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur (yang menghasilkan diselesaikan. optimum lokal). 2 Baru Operertor mutasi clioperersikan sebagai cara trrrlul< nleltgcnrbal il<arr nrateri genetil< yang oi :qoio[ili,r $rrgZFau Gambar 1. Ilustrasi Proses Pindah Silang Operator-Operator Genetika clurlcsi, lrindah silar-rg tiruLol iritl<pinrrdtars ritma Genetika memiliki perbedaan dalam empat hal, yaitu Algoritma Genetika bekerla dengan struktur-struktur kode variabel, menggunakan banyak titik pencarian (multiple point), informasi yang dibutr-rhkan hanya fungsi i;byel<tifnya saj a (sehingga menj adikan inrplcnrcntasinya lcbih sederhana), serta menggunakan operator stokastik dengan 1 Bal.J [,F, 1 Pada tiap generasi, sebanyak P.*N individr_r dalam popr"rlasi mengalami pindah silang. Makin besar nilai P. yang diberikan, makin cepat struktur individr.r baru yang lntplementasi Algttritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga 1i511"11rt22

.Jurrtol TeltuPl iln No.2 brnrusi DI ISSN : 08s4-9524 .luli 2007 ; l22-l30 diperkenalkan ke dalam populasi. Jika nilai P. yilt1g cliberikal terlalu $esar, ildividu yang ,',',*,'l',1ralcan karrcliclat stllr-rsi tcrbaik ,lrprt ftilapg lebih ot:pat dibapding selcksi urntuk mendapatkan poplllasi baru kandidatkandidat soltrsi nilai urntuk pelingkatan kinerja. Sebaliknya, P. yang iendah dapat mengakibatkan stagnasi karena rendahnya angka eksplorasi' probabilitas mutasi adalah probabilitas dimana setiap posisi bit pada tiap string lnisialisasi PoPulasi P(t) Evaluasi String PoPulasi P(t dalam populasi-baru mengalami perubahan secara utut setelah proses seleksi ' Dalam satu generasi, delga, r. pa,j ang struktur. Itettrtltrgliilliltl tcrj adi tnuttasi scbitttyalt Seleksi P(t) dari P,,''*N*L' 3. Rekombinasi Struktur P(t) (Crossover dan Mutasi) Fungsi Fitness Dalam Algoritma Cie petika, Iupgsi l.ttness menlpakan pemet aan fungsi obyektif dari masalah yang akan diselesaikan (Goldbefg, trertreda yarlg 1 9 89) ' Setiap rn:tsalalt )/arlg akan diselesaika, n-remerluka, pe,detlnisian Tidak**-- (6nt *rgensi dica pari -:'* tr.urgsi titness Yang berbeda' Misalkan fungsi obyektif g(x) berupa fungsi besaran yang ingin diminimumkan, maka bentuk fungsi fitness f(x) dapat dinyatakan sebagai: , untuk g(x) 2 C,,,o^ "(1) C'.,l,^ clapat dianrbil sebagai koefisien nrasukan, misalnya nilai g terbesar yang clapat cliarnati, nilai g terbesar pada populasi saat ini, atau nilai g terbesar k generasi terakhir. 4. siklus Eksekusi Atgoritma Genetika Dalam satu siklus iterasi (yang disebut generasi) pada Algoritma Genetika terdapat dua tahap, yaitu tahap seleksi dan tahap rekombinasi (Goldbetg, 1989; Jun He, et.al., 2005). Secara garis besar, siklus eksekusi Algori{ma Genetika dapat diringkas dalam bent.;k cliagfam alir seperti Gamb ar 3 , Tahap seleksi dilakr-rkan dengan rnengevaluasi kualitas setiap individu dalam populasi untuk mendapat peringkat kandidat soltrsi. Berclasarkan hasil evaluasi, yang rekombinasi. Tahap reakan mengalami kombinasi meliputi proses-proses genetika selanjutnya dipilih individu-individu Gambar 3. Siklus Eksekusi Algoritma Gelretika IMPLEMEITASI AL GORTTMA GENETIKA UNTUK OPTIMASI PEIEMPATAN KAPASITOR SHIJIT Penulis telah membuat aplikasi (prograrn) komputer menggunakan bahasa pemrograman Delphi 7.0 guna mensimulasikan unluk kerja Algoritma Genetika yang dioperasikan secara mandiri (GA alone) untuk melakukan penempatan kapasitor perhitungan optimasi ihunt pada penyulang distribusi primer radial' Berikut ini akan dipaparkan tekpil< pengkodean parameter, inisialisasi populasi, iungsi evaluasi, dan algoritffla optimasi yang digurnakan pada aplikasi kompr-rter yang clibuat' Hal-hal teknis terkait dengan rekayasa prranti lunak aplikasi optimasi tersebut tidak dipaparkan ada tulisan ini, sebab paparan tulisan ini lebih ditekankan pada proses penyelesaian kasus optimasi menggunakan Algoritma Genetika. 1. Pengkodean Parameter Parameter-pararneter yang alcan cliproses oleh Algoritma Genetika dalam optimasi ini Shunt pada Penyulang Distribusi Tentrga Lislrih

  • ,turnctllglgtologi tnlbrmasi DINAMIK Volume XIl, No.2, Juli 2007 : 122-130 Cj dikodekan rnenj adi string bilangan biner br-rlat positit-. Pengkodean parameter ke clalarn bentuk biner dipilih kapasitas daya, dan untuk setiap generasi direpresentasikan dalam sebuah struktur multiparameter dengan parameter sejumlah ) Za leurparan mata Ltang logam bias. Kc adalah biaya Algoritma Optimasi Sejalan dengan alur ker.1a Algoritma genetika, maka algoritma optimasi penempatan kapasitor shunt pada penyLrlang distribusi primer radial dapat dr.labarkan sebaga i berikut: 1. Bentuk populasi awal (inisialisasi) dengan k string yang merepresentasikan nx variabel (ukuran kapasitor pada x lokasi gardu distribusi untuk n tingkat beban). 2. Evaluasi besar fitness setiap string, yaitu dengan mengevaluasi fungsi obyektifnya. Beban ke-0 menyatakar-r tingkat beban puncak, sehingga biaya rugi-rugi daya puncak dihitung pada tingkat beban ini. lnisialisasi pe 3. 4. k':nx Inisialisasi populasi awal dalam Algoritma Genetika dilakukan dengan memilih string secara random. Dalam setiap kasus, populasi awal harus mengandung varitas struktur yang luas untul< menghindari konvergensi prematur. Dalam tr-rlisan ini, string individu diinisialisasi clengan menerapl<an kaidah Ke kapasitor (Sundhararaj an, 1994). pertimbangan bahwa bilangan biner cukup Tingkat beban sistem distribusi didislaitkan ke dalam n tingkat beban. Algcritma Genetika ditungsikan untuk menentukan ukuran kapasitor pada kandidat-kandidat 1okasi selama n ttngkat beban. Kandidat lokasi ditentukan sama dengan x jumlah node pada penyulang. Oleh karena itu struktur individu yang menyatakan ukuran-ukuran kapasitor j, ukuran kapasitor pada lokasi konstanta biaya energi, Kp konstanta biaya dengan sederhana, murdah diproses oleh operatordan mampu operator genetika, titik-titik dalam ruang rnerepresentasikan pencarian. ISSN : 0854-9524 3. Pada setiap generasi string-string ini diurutkan menurut nilai fitnes,s-nya. Dengan memakai strategi seleksi elit (elitist strategy), maka j ika nilai fitness ini lebih l<ecil dari nilai fitness tertinggi generasi individr"r terendah sebelurrmya, individu yang memiliki Fungsi Evaluasi nilai fitness terendah pada Fuugsi fitness dalarn optimasi ini adalah lirngsi otryclit il' ttritrinrnsi biaya akitrat generasi diganti dengan individu yarltl [)cncnrllatutt ltallasittlt' bcrdasat'kan rurgi-rugi sebelumnya. daya puncak dan n-rgi-rugi energi, dengan r11c-rllpertinrbangkatl biaya ltapasitor. M isall<arr tcrclapat n tingl<at beban dan m kandidat lokasi kapasitor, maka fungsi otryclctil' pcnentpatan l<apasitor shunt pada l)cnyulang tlistribttsi llrinler raclial adalah nlcntiltittltlltan [riaya l'Llgi-r'urgi yang cliclapat clengan mernasang sej urnlah kapasitor shunt clcrtgan l<otrfigtrrasi .itrntlah, ttl<ttran, ltll<asi., rlan tillc tct'tctrtu. Minitttitsi tersebr.rt dapat suatu nrenriliki tltrress tcrtinggi pacla gcrtct'asi 4. Ulangi langkah 3 sampai mencapai jumlah maksimum generasi. Pada setiap lokasi, ukuran kapasitor rninimLrm yang diperlukan untuk setiap tingkat beban dapat dipertimbangkan scbagai ulitrt'ittt liapasitor tc'tap yans clapat dipasang di lokasi tersebut. S'I'[IDI I(AST]S dinyatakan sebagai: Pacla program aplikasi konrputer K"i penulis buat untuk perhitungan optimasi menggunakan Algoritma Genetika ini, telah rrrirr T, P,+ K ,,.P0 * K,ic .(z) dimana Pi adalah rugi-rugi energi pada tingkat beban i, Po rr-rgi-rugi daya puncak, trurt",,*,t"ti ilgri ),4n.-s dilakukan pengujian dengan data masukan yang dipilih untuk mensimulasikan unjuk kerja Algoritma Genetika sebagai algoritma optimasi ;lttetika tuttu.k Optimasi Penenrpaton Kapasitor Slnrnl ltada Penl'vla,,f Distribusi Tenaga l.i51viftl25
  • .lurnal Teknologi l4brnrusi DINAMIK Volume XII. No.2. Juli 20Q7 : l-22L)erlempatan lcapasitor slurnt. Berikut adalalr detil data masuketn deur hasil simularsinya. l. 130 ISSN : 0854-9524 'l'alrel 2, [nlerval Wnl<trr tinp'l'ilrgl<:rt I]chirn Sisterl 9 llurs 23 kV Tinghat Beban (p.u) Wahtu fianr) 0,92 tJ20 0,79 s39 0,66 831 0,34 Data N'Iasukarr 657 0 Sebagai studi kasus, clipilil-t clata Sistem 23 kV pada jumal IEEE PAS-102 No. 10, October 1983 (Grainger, 1983) sebagai masukan progr am komputer. Data sistem terse br"rt adalath sebagai -fengangan berikut: :23 kV Antar Fasa 2. .lunrlah Ciardu Distribusi :9 Biaya I(apasitas Drya (Kp) : $ 200/kW/th Biaya Energi (Ke) : Biaya kapasitor (Kc) :$ [Iasil Sinrulitsi Pada str"rdi kasus yang dibahas pacla tulisarl ini, diterapkan Algoritma Genetika dengarn skategi seleksi elit. Grat-rk biaya n-rgi-n-rgi minimLlm tiap generasi dapat clilihat patlu $ 0.03/kwh Gambar 4 dan Gambar'5. 0.2145/kVAVth Pan;ang masing-masing segmen, resistansr segrren, dan besar kVAR pada ujung akhir tiap segnrerl penyulang dapat dilihat Tabel 1. Penyr-rlang dioperasikan pada pada tingkat beban diskrit 0,45 p.u selama waktu satu tahun (8760 jam). Interval waktu untuk tiap-tiap tingkat beban dicliskritkan seperti dapat dilihat pada Tabel 2. tlkr"rran kapasitor standar untuk data tersebut adalah 150, 300, 450, 600, 900, dan 1200 kVAR (Sundhararajan, 1994, Karen, 1997, dan Grainger, 1981). Tabel reaktif 1. Data parIsng, resistansi, arus saluran Sistem 9 Bus 23 l<Y Nomor ParUang Segmen (rnil) Resistansi (ohm/mi1) ?0,Ll0t'l Qra,ooo E 3 16,000 E 'E 14,Ctrtr] 5 .- 1t.t:t0D U} f, fi 10,000 '$ ,,*o u. 6 0,000 (d s {,0[0 2,0tJll kVAR Beban pada Akhir 0 0 2$ 57 85 1 ?6 1 67 208 249 290 331 37? 41 3 45{ 4gS 536 577 61 I 659 70tr I41 781 82! $63 grl4 g{5 Generasi Segmen I 0,63 0,1957 460 2 0,8 8 0,2803 340 3 1,70 0,43 90 446 1 0,81 0,8 622 r l 2,30 0,8 622 600 l6 1,05 0,8 622 110 7 1,50 1,370 I 60 8 3,50 t,370 130 9 3,90 1,3701 Gambar 4. Grafik biaya minimLlm tiap generasi, ukuran kapasitor kontinyu rJ 840 I 1 200 l26lnplenrentasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribtrsi Tenaga Listrik $t;
  • ,Jurnul Teltnologi ln-fctrmttsi DINAMIK Volunrc XII Nct.2 Juli 2007 : I22-I30 Sedangkan hasil optimasinya dapat dilihat pada Tabel 3. Besar parameter genetika yang digunakan dalam percobaan ini adalah: (P.) - 0,,J , Probabilitas Crossover Probabilitas Mutasi (P,,,) _ 0,005, dan 55,[t.10 str00rl $, r r : r- .: Ukuran Populasi 4i,lJuil .t:i lr f r,nc,'] L]J f Penjelasan sekilas mengenai hasil optimasi ll,:1ilil: cD SU,ltuu t tersebut adalah seperti gamb ar :ii:ttii:illiiljii ,: i:t:.tit, '! iil: tiiii lilii;)ili;; 3. ti:lLl;liiilitiltI :::i 3 . Ukuran Kapasitor Kontinyu 2[.000 Seperli terlihat pada pada Gambar 4, pada sekitar generasi ke-413 Algoritma Genetika telah menemukan konfigurasi pemasangan kapasitor ukuran kontinyu yang memerlukan biaya terendah (minimum). Biaya rugi-rtrgi energi, biaya rugi-rugi daya puncak, dan biaya kapasitor terendah hasil optimasi dengan skenario ini adalah sebesar 899,43 :!:.ti::;i:iili .i.. ", i. .. .,,i- ... j, .. *i* :liiit' ': $ts,nnr: - ...:,. - i -. ;" , *i,. * : (t{ m (N) _ 100. Jumlah generasinya adalah 1000 generasi. {ir ittttl ,E ,r,',r,n 4 ISSN : ()85 4-9524 lU,UULI u 205705 126167 208249ruA331 37241345449$536577618659700741781822863904945986 Gambar 5. Grafik biaya minimum tiap generasi, ukuran kapasitor diskrit dollar per tahtrn. Dengan denrikian penghematan biaya maksimllm yaltg dapat dicapai dengan konfigurasi ukuran kapasitor Tabel 3. Hasil optimasi dengan Algoritma Genetika untuk berbagai skenario Ukuran Kapasitor Diskrit Ukuran Kapasitor Kontinyu t- t- t- t- t- t- t- t* 0.92 0.79 0.66 0.34 0.92 0.79 0.66 0.34 1 59 66 82 57 300 300 300 150 2 79 45 50 15 300 300 3 a J 849 559 409 225 600 600 300 300 .l I I t26 I t92 6s9 1 1200 600 5 68s 577 275 10s 600 450 450 150 6 103 51 43 102 300 150 0 0 7 r54 126 63 42 0 0 0 0 8 73 62 58 78 150 1s0 150 150 9 226 166 181 16 150 150 15C 0 No. Gardu 200 200 Biaya rugi-rugi tanpa kapasitor $ Biaya Rugi-rugi $899,43 $ 200 0 $980 ,3J $11 .029, 19 I 0(t 11 .928,62 $ 11 .928,62 Minimum Penghenratan Riaya 10.948,25 lruplcrnentasi Algoritnm Genetika untuk Optimasi Penentpatan Kapasitor Shunt pada Penyulang Distribusi Tenaga l,;51v;fi27
  • Jurnal Tebtolo iln brnrasi DLNAMIK V, lunrc XII No.2 Juli 2 seperti pacla Tabel 3 adalah 11.928,62 dollar dikurangi 899 ,,43 dollar atau 7 1. Likuran KaPasittlr Diskrit Terlihat pada pada Garnbar 5, pada sekitar generasi ke- 517 Algoritrna Genetika telah menemukan konfigurasi pemasangan kapasitor ukuran diskrit yang memerlukan biaya terenclah (nrinimum), yaitLl 10.948,25 doll:"rr pcr taltutt ('l'a[rcl 3).. Unttrk tlrcncapai penghematan biaya per tahun sebesar 10.948,25 tlgllat' tcrsetrttt, 1'xtda lol<asi gltrcltt nolltor 1 tidak mernerlurkan pemasangan kapasitor sfiunt. Di lokersi gardu nomor 8, lxemerlukan pemasangan sebuah kapasitor tetap (fixecl capaoitor) sebesar 150 kVAR. Sebuah kapasitor tersaklar (switched capac1tor) ukuran 150 kVAR dipasang pada lclkasi gardu nomor 9. Kapasitor tersaklar tersebtrt cliaktitkarl pada tingkat Lreban 0,66 . Mtrdirlr tl ipalrittni., l(t'ttllpll tl i sl< l'i I islrsi t l< t t t';t t kapasitor menyebablialn pcnghctnatan braya yang diperoleh rnenjadi lebih l<ecil. scbab, t (kecil yaitu apabila erhitun gan optimasi untuk data yang detil, misalnya dengan b erclas ar kemampuan ny a me I akukan p ukuran kapasitor kontinyu (tidak dislait). Sebagai bahan perbandingan, perlu dilihat perbeclaan hasil perhitungan optimasi menggunakan Algoritma Genetika ini dengan hasil perhitungan menggunkan metode konvensional yang dilakukan deterministik. secara dicaPa i. berdasarkan perhitllllgan dengan ukuran kerpasitor korrtitlyLl, ttkttratn kapasitor-kapasitor optimLlmnya salxa persis misalnya, dapat .lipasang 2 br-rah kapasitor tersaklar masing-masing sebesar 150 kVAR. Pada tingkat beban di bawah 0,79 kedua ANALISA HASIL OPTIMASI I-Jnjr-rk kerja Algoritma Komputer secara internal yang cliterapkan pada kasus optimasi penernpatan kapasitor shunt sebagaimana studi kasus yang dipilih untuk tulisan ini dapat dilihat kemuugkinannyll) Kemungkinan didapatnya penghelnatan biaya yang sama antara menggunakan kapasitor kontinyu dengan kapasitor dislcrit Pada beberapa lokasi gardu dan tingkat beban lainnya dapat dipahami dengan cata serLtpa. Di lokasi gardu distribusi nomor 6, salah satu kapasitor saja. Sedangkan pada tingkat beban 0.92, kedua kapasitor tersebut harus diaktifkan. t dengan memberikan ruang penyelesaian (ukuran kapasitor) diskrit pacla ukuranukuran tertentu maka nilai maksimllffl yang dapat dicapai jika ukurannya berada di luar ukuran-ukuran diskrit terscbr.rt ticlal< pct'tralt ke atas. kapasitor tersetrut dinonaktifkan. Pada tingkat beban 0,79, cukup mengaktifl<an Pengaruh Diskritisasi [lkuran l(apasitor Seperti dapat clililrat 1'racla T'lthcl 3, pl'()scsi disk;itisasi utlittl'tlll kitllltsittlt' lltt:lrgltirstlklttt penghematan biaya nraksintunt yallg lctrilr rendah dibandingkan tanpa diskritisasi (menggunakan ukuran kapasito; ltotrtinyrr). Penggunaan ukuran kapasitor diskrit mengakibatkan penurLlnan penghematan biaya sebesar 11 .A29,1 9 dollar dikr"rrangi 10.c)48,25 clollar atatt slllllll tlcngill"l |i0.,94 dollar per tahurn. sebesar t .019,19 tlollnr pcl' titlttttt. I 4. ISSN : 0854-9524 : 122-I dengan ukuran-ukuran kapasitor diskrit (standar) di lapangan. [(ernurnglcinan terladinya hal seperti ini sangat kecil. 2. Perbedaan dengan Metode optimasi De- terministik Optimasi penemp atan kapasitor shunt pada Sistem 23 kV yang dipakai sebagai data studi kasus pada tulisan ini telah dilakr"rkan oleh J. J. Grainger dan kawan-kawan (1983). Grainger dld<. menghiturng lokasi dan ukuran optimum kapasitor dengan terlebih dahuh-r membuat norrnalisasi arus reaktif penyulang nonuniform menjadi penyulang ekivalen yang uniform. Lokasi dan ukuran kapasitor optimum ditentukan dengan menerapkan kriteria sama luas (equai area criterion) pada representasi grafik penyulang ekivalen dengan arLls reaktif yang dinomralisasi tersebut. Hasil akhir optirnasi tersebut fiumlah kapasitor tiga br"rah) dapat dilihat pada Tabel 4. @itrukoptimasiienenryatanKapasitorShunlpadaPenyulangDisIribusiTenaga[-istrik
  • ,Jurrtul Teknolo iIn l'abel 1 Lokasi i DINAMIK XII Vctlunrc No.2 Juli 2007 ' 122-130 dan ukuran kapasitor optimum, dipasang disesr-raikan dengan ukuran kapasitor standar di lapangan) atau dengan ukuran kontinyu. serta penghenlatan bi aya optin'tul-n, hasil Optlmasl oleh G timasi Olen Lrralnge dkk Lokasi Kapasitor (miI) Ukuran Kapasitor 1 4,02 2 6,32 732 3 16,27 2. 13 18 294 Nlo. (kvAR) Penghematan Biaya Tahunan (dollar) Saran a" Jika masalah optimasi cukup kompleks sehingga jumlah parameternya banyak, sebaiknya Algoritma Genetika tidak dioperasikan secara mandiri. Perhitungan awal untuk inisialisasi data atau penggunaan metode lain untuk 10.677 ,00 Optimasi dengan Algoritma mengurangi jumlah parameter yang Genetika dicari, akan sangat n:embantu. menggunakan strategi seleksi elit, diperoleh hasil penghematan biaya maksimum sebesar 1 1 .029,19 dollar per tahun jika ukuran b. kapasitornya kontinyu dan 10.948,25 dollar per tahun jika ukuran kapasitornya diskrit. Dengan demikian, Algoritma Genetika dapat menemukan menemukan konfigurasi pemasangan kapasitor yang menghasilkan penghematan biaya yang lebih besar. Jika Untuk menyelesaikan masalah penempatan kapasitor praktis pada penyulang distribusi primer radial, perlu diperhitungkan faktor-faktor lain agar sesuai dengan keperluan prakti s. Misalnya, dengan memperhitungkan kapasitor yang sudah dipasang pada penyulang sehingga diperhitungkan perlu tidaknya mengganti atau memindah kapasitor yang telah dipakai kapasitor berukuran kontinylt, terdapat selisih atau perbedaan penghematan biaya sebesar 352,19 dollar per tahun, sedangkan jika dipakai kapasitor berukuran diskrit terdapat selisih penghematan biaya ISSN : 0854-9524 terpasang. DAFTAR PUSTAKA sebesar 27 1,25 dollar per tahun. 1 . I'ENTITTII' 1. Davis, L. ( 199 1). Handbook of Gerretic Algorithms. New York : Van Nostrand Reinhold Kesimpulan Ilcrdasarkarr uraiarr d i atas. dapat ditaril< bctrcrapa kcsinrpulan sclragai beriltut: 2. l<lrp:rsil or shr rn l plrtla 3. 983). "Optimal Design and Conrrol scheme for continllous capaciti'e of Distribution FeederS", lInn 'l-t'lltlstl('liotts ()t1 I)otvcr App rnrtrrs rrrrtl Systems, vol. PAS- 102, No. 10, October compensation drstr rtrrrst l)t'lnlcr rarclrul. b. Algoritnra c. Algoritma Genetika mampu optimasi dengan rnelakukan diskritisasi ukuran l<apasilrlr' (ulcLrran l<apasitor yang alcan inemberikan perhitungan ltttp!<lncntosiAlgot:ilttttt(ictte!iko,,i,i Grainger, J. J., S. Civanlar, and S. H. Lee. (I p('tlvr rlnnI Cicrrctilca yang clitcr-apkan secara mandiri pada proses optimasi penempatan lcapasitor shunt dapat mencapai penyelesaian optimum global (global optimum s olution). irr Scarch. optirrriz,ntion, ilrl(l I,tnchirrc Learning. Massachusetts: Addison-wesley Publishing Comp dny, Inc.. a. Algoritma Genetika yang telah cliimplementasikan menggunakan progrilrn l<om;rtrtcr dapat memtrantu nleltyelesaikan nrasalah optimasi penentuan ukuran., j umlah, lokasi, dan tipe Goldberg, D. E. (1989) Genetic Algorirhms 1983, pp . 327 l-3278. 4. Grainger, J.J. and S. H. Lee ( 9g I ). "optimun'r Size and Location of Shunt capacitor fbr Reduction of Losses on 1 Distribution FeederS", IEEE Transactions on Power Apparatus Systems, vol. pAS- 100., No. 3, March 1981, pp. 1 105-1 1 18. 5. He, ., Xin Y., and .Iin L. .f (2005). A "comparative Study of f'}1'ee Evolutionary

    .1,,,',,,r1 T.lr,,ulr,rgi 1,,-l?.,',,,,r$i DIl"l"1A'llK, l"'l!""'"ll'N"']"1''tli lltcot'ptlt'itting ,lg.rithr*s 2'007 - t_10 * I S..tN-,-Qr!){: 1) i-l-,l I)i['tc'cnt Amounts of Domain l(nowledge for Node .['r'rulsrrctiorrs (-oYcr-irrg Problcrl1". IIn|l 0r'l S),steprs, Man, elnd cybernetics, vol. 35, no. 2, MaY 2005. PP .266-27 1' 6. Karen Nan Miu, Hsiao-Dong chiang, and G. 1, Kusumaclewi, s. dan Hari P. (2005). Penyelesaian Masalah Optimasi dengan Teknik-teknik Heuristik. Yogyakarta: Graha Darling. (lgg7). "Capacitor Placement, Replacernent and Control in Large-Scale Distribution Systems by a GA-Based Two Stage Algorithm". IEEE Transactions on Porver systcprs, vol . 12! No. 3, Atrgtrst 1997, pp. I l(r()-l l(r(r. IIrnr-r. T. P. (2005). Search Biased in clonstrainecl Evolutionary optimizatitln. IEEE Transactions on Systems, Man, and Cybernetics, vol. 35, ro ' 2, May 2005' pp' 6. Runarsson, 733-243. g. - sastry, K. 1: et.al. (2004). Genetic for Multiscale Modeling' Programming Urbana: University of tllinois at Urbana- Champaign. and A. Pahwa. (1994). "OptitttLllll Selectiorr of Capacitors for Radial Distribr.rtion Systems Using A Genetic Algorithnt", IEEE Transactions on g, NO . 3, Ar"rgust 1994,, Por,ver Systeprs, vol . pp. 1499-1 507' (2003). "A 1 1.-Turrkcan, A. and M. Selim A. Problem Space Genetic Algorithm in Multiobjective Optimrzation" . Journal of Intelligent Manufacturing, 14, pp. 363-378, 2003. Kluwer Academic Publishers. 10. Sundhararajan, 1 301 rplenrcntas i A s. lgoritma nt pada Penyulang Distribusi Tenaga Listrik

  • Add a comment

    Related presentations

    Related pages

    lmplementasi Algoritma Genetika untuk Optimasi Penempatan ...

    ×Close Share lmplementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik
    Read more

    Implementasi Algoritma Genetika untuk Optimasi Penempatan ...

    ... Optimasi Penempatan Kapasitor Shunt pada ... Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik ...
    Read more

    Implementasi Algoritma Genetika untuk Optimasi Penempatan ...

    Implementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi ... pada Penyulang Distribusi Tenaga Listrik ...
    Read more

    Optimasi Penempatan Kapasitor Shunt Untuk Perbaikan Daya ...

    Optimasi Penempatan Kapasitor Shunt Untuk ... Penyulang sistem distribusi tenaga listrik ... Algoritma Genetik pada proses optimasi ...
    Read more

    OPTIMASI PENEMPATAN KAPASITOR SHUNT UNTUK PERBAIKAN DAYA ...

    OPTIMASI PENEMPATAN KAPASITOR SHUNT UNTUK ... biaya operasional Penyulang sistem distribusi tenaga listrik ... Algoritma genetika pada tugas ...
    Read more

    optimasi tenaga listrik - Documents

    lmplementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik This paper presents application of ...
    Read more

    tugas kecerdasan buatan: Aplikasi Algoritma Genetika

    ... Optimasi Penempatan Kapasitor Shunt pada ... Algoritma Genetika untuk Optimasi Penempatan ... pada penyulang distribusi tenaga listrik ...
    Read more

    algenkapasitor

    pada Penyulang Distribusi Tenaga Listrik ... Genetika untuk Optimasi Penempatan Kapasitor ... algoritma optimasi penempatan kapasitor shunt ...
    Read more

    blog saya: Aplikasi Algoritma Genetika Dalam Bidang Elektro

    Implementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik
    Read more