24

BAB III

METODE PENELITIAN

Secara umum diagram blok perencanaan sistem integrasi kontrol FCV dan

ELC pada PLTMH dapat dilihat pada gambar berikut.

Gambar 3.1 Diagram Blok Secara Umum Sistem Integrasi FCV dan ELC.

Dari gambar di atas, integrasi FCV dan ELC sebagai sistem kendali dimulai

dengan air masuk melalui penstock menuju ke turbin dan jumlah debit air di kontrol

oleh FCV yang digerakkan oleh aktuator yang bekerja atas sensor frekuensi yang

didapat pada generator dan hasil sensing di kirim ke kontroler untuk menggerakkan

aktuator pada FCV. Sehingga, banyaknya air yang masuk ke turbin sesuai dengan

kebutuhan saat itu. Apabila ada perubahan beban, maka akan diperbaiki oleh ELC

dengan mengalihkan beban ke Rd atau dummy load dimana mengendalikan

frekuensi tegangan yang dihasilkan pada batasan yang dapat diterima Jika fekuensi

memenuhi standar 50Hz dengan speed droop 5% maka tidak ada pengalihan beban

ke dummy loadt. Jika kurang, maka akan dialihkan ke dummy load atau Rd.

3.1 Model Turbin Hidrolik

Turbin merupakan bagian mekanik dari PLTMH dimana yang menerima

energi potensial dari air dengan mengubahnya menjadi energi putaran, energi

mekanik tersebut memutar sumbu turbin pada generator. Pemodelan hydraulic

turbine di tampilkan pada gambar 3.2

25

Gambar 3.2 Model Turbin Hidrolik

Berikut adalah parameter yang digunakan pada turbin hidrolik.

Tabel 3.1 Parameter turbin hidrolik

Parameter Nilai

Turbine Flow 0.95 m3/s

Head Base 16.74 m

Penstock Area 0.389 m2

Length Penstock 60 m

Gravitasi 9.8 m/s2

[ Gmax, Gmin ] [ 1, 0 ] (pu)

3.2 Model hydro-electric servo system

Pada pemodelan FCV sendiri terdapat aktuator untuk penggerak gate yaitu

motor servo. Motor servo mengontrol gate untuk mengatur aliran air sehingga

selalu berada dalam keadaan constant atau setpoint. Berikut merupakan model

hydro-electric servo system

Gambar 3.3 Model hydro-electric servo system.

26

Berikut adalah parameter yang digunakan.

Tabel 3.2 Parameter hydro-electric servo system

3.3 Model Hydraulic Turbine Governor

Gambar 3.4 Desain Hydraulic Turbine Governor pada PLTMH

3.4 Model perancangan kontroler PI dan PID

Kontrol PI merupakan kontroler konvensional untuk mempertahankan nilai

keluaran frekuensi ketika terjadi perubahan beban. Sedangkan kontroler PID

merupakan kontroler konvensional untuk men-triger PWM sebagai pensaklaran

pada rectifier. Berikut adalah model perancangan sistem kontrol PI dan PID yang

digunakan.

(a)

Parameter Nilai

Gain constant motor servo 10

Time constant motor servo 0.001

[ Vgmin, Vgmax ] [ -1, 1 ]

27

(b)

Gambar 3.5 (a) Blok Kontroler PI dan (b) Blok Kontroler PID

Tabel 3.3 Nilai parameter PI

Parameter Nilai

Kp 40.244

Ki 60

Tabel 3.4 Nilai parameter PID

Parameter Nilai

Kp 71

Ki 430

Kd 2

3.5 Model Perancangan Fuzzy PI

Fuzzy Logic pertama kali ditemukan dan digunakan oleh Prof. Lotfi Zadeh,

pada tahun 1965. Kontrol fuzzy memberikan metodologi formal untuk mewakili,

memanipulasi, dan menerapkan pengetahuan heuristic manusia tentang cara

megontrol sistem. Fuzzy merupakan pembuat keputusan buatan yang beroperasi

dalam sistem loop tertutup secara real-time. Fuzzy mempunyai dua input antara lain

nilai error dan nilai turunan pertama dari nilai error.

Untuk mendesain fuzzy perlu mendesain fungsi keanggotaan, aturan IF-

THEN dan basis pengetahuan. Gambar 3.6 menunjukkan konfigurasi pengaturan

sistem menggunakan teknik kontrol Fuzzy-PI. Masukan pada fuzzy ada dua yaitu

nilai error e(t) dan turunan pertama dari nilai error de(t), dengan dua output untuk

setiap parameter dari kontrol PI yaitu Kp dan Ki. Nilai rentang dari variable tersebut

ditentukan berdasarkan dari percobaan sistem dengan kontrol PI dengan efisiensi

tinggi.

28

Gambar 3.6 Blok Inferensi fuzzy

Gambar 3.6 menunjukkan metode inferensi fuzzy, yang mana inferensi

tersebut menunjukkan dua input dan dua output untuk sistem yang akan di kontrol.

Metode yang digunakan adalah fuzzy Mamdani.

Fungsi keanggotaan dari input fuzzy seperti pada gambar 3.7 dan 3.8. Nilai

masukan pada kedua input akan dibagi dalam 5 tingkat variabel linguistik. Dipilih

jumlah linguistik ada 5 karena tingkat variabel linguistik tersebut paling optimal

untuk sistem. Tingkat variabel linguistik yang digunakan adalah NB : Negative Big,

NS : Negative Small. Z : Zero, PS : Positive Small, dan PB : Positive Big.

Gambar 3.7 Keanggotaan dari e(t)

Gambar 3.8 keanggotaan dari de(t)

Fungsi keanggotaan dari output K’p dan K’I ditunjukkan pada gambar 3.9.

Tingkat linguistik output yang dipakai adalah S: Small, MS : Medium Small, M :

Medium, MB : Medium Big, B : Big, dimana nilai rentangnya dari -0.05 sampai

0.05.

29

Gambar 3.9 Keanggotaan dari K’p dan K’i

Pada desain fuzzy ini menggunakan 5 variabel linguistic sebagai input dan

output , maka dalam desain didapat 25 aturan fuzzy.

Tabel 3.5 Aturan Fuzzy

de/e NB NS Z PS PB

NB S S MS MS M

NS S MS MS M MB

Z MS MS M MB MB

PS MS M MB MB B

PB M MB MB B B

𝜃(𝑡) = 𝐾𝑝𝑒(𝑡) + 𝐾𝑖 ∫ 𝑒(𝜏)𝑑𝜏 …………………………….. (3-1)

Flow Control Valve (FCV) merupakan bagian utama dari pembangkit listrik

tenaga air. Pada dasarnya FCV mempunyai dua tujuan yaitu yang pertama,

membangkitkan energi putar mesin di poros generator untuk produksi listrik.

Kedua, mengendalikan variasi kecepatan putaran generator untuk menghasilkan

frekuensi yang tetap konstan. Didalam FCV sendiri terdiri beberapa komponen

yang mendukung untuk menghasilkan putaran pada poros generator antara lain,

30

Fuzzy -PI controller, hydro-electric servo system, dan turbin hidrolik. Dibawah ini

merupakan desain fuzzy pi dari sistem FCV.

Gambar 3.10 Pemodelan Fuzzy-PI

3.6 Model Beban

Beban yang digunakan adalah beban resistif dan induktif dengan kemampuan

menyerap daya sebesar 82KW yang dihubungkan dengan generator.

Gambar 3.11 Pemodelan Beban yang Digunakan.

3.7 Model Ballast Load

Gambar 3.12 Pemodelan ballast load

31

Tabel 3.6 Nilai Parameter beban ballast

Parameter Nilai

Beban 82 Kw

Frekuensi 50 Hz

Vrms 400 V

3.8 Model Electronic Load Controller (ELC)

Pada tugas akhir ini menggunakan rectifier sebagai ELC. Komponen yang

digunakan adalah mosfet yang disusun untuk mode 3 fasa. Berikut adalah

perancangan rectifier.

Gambar 3.13 Model rectifier pada simulasi MATLAB

Nilai parameter yang digunakan pada mosfet adalah sebagai berikut.

Tabel 3.7 Nilai parameter mosfet.

Parameter Nilai

FET resistance ron (ohm) 0.1

Internal diode inductance Lon (H) 0

Internal diode resistance Rd (ohm) 0.01

Internal diode forward voltage Vf (V) 0

Snubber Resistance Rs (ohm) 1e5

Snubber Capasitance Cf (F) inf

32

Berikut adalah gambar pensaklaran pada rectifier.

Gambar 3.14 Model Pensaklaran rectifier.

3.9 Model Generator sinkron

Jenis generator yang digunakan pada tugas akhir ini adalah generator sinkron 3 fasa

dengan model dan parameter sebagai berikut.

Gambar 3.15 Pemodelan Generator Sinkron

Tabel 3.8 Parameter generator sinkron.

Parameter Value

Nominal (VA), line-to-line voltage (V),

frequency (Hz)

160e3, 400, 50

Reactance (Xd,Xd’,Xd”,Xq’,Xq”,Xl)

(pu)

[2.24, 0.19, 0.13, 1.38, 0.17, 0.07]

Time Constant [Td’,Td”,Tq”] (s) [0.035, 0.011, 0.011]

Stator Resistance (pu) 0.024

Inertia coefficient (s), friction factor

(pu) pole pairs

[8 0 4]

Rotor Type Salient-Pole

33

3.10 Model Perancangan kontroler ANFIS-PID

Model perancangan kontroler ANFIS-PID didesain menggunakan MATLAB

Simulink R2016a. Gambar 3.15 menunjukkan perancangan kontroler ANFIS PID.

Gambar 3.16 Model Kontroler ANFIS PID

Pada perancangan ANFIS nilai sebagai input adalah nilai e(t) dan de(t).

Dimana nilai e(t) dan de(t) tersebut digunakan sebagai nilai training data. Berikut

merupakan proses training ANFIS Kp, Ki dan Kd.

Gambar 3.17 Algoritma Proses Training ANFIS Kp, Ki, Kd

34

Metode iterasi untuk proses training ANFIS Kp, Ki, dan Kd menggunakan

Gaussian Curve Membership Function. Persamaan Gaussian Curve Membership

Function sebagai berikut:

𝑦 = 𝑔𝑎𝑢𝑠𝑠𝑚𝑓(𝑥, [𝑠𝑖𝑔 𝑐]) ……………………………… (3-2)

Fungsi Gaussan simetris tergantung pada dua parameter σ dan c seperti

diberikan oleh

𝑓(𝑥; 𝜎, 𝑐) = 𝑒−(𝑥−𝑐)2

2𝜎2 ………………………………… (3-3)

Proses training sendiri dilakukan 3 tahap untuk memdapatkan nilai ANFIS

Kp, Ki, dan Kd. Untuk melakukan proses training menggunakan toolbox anfisedit

yang ada di command window. Proses training dimulai dengan me-load data yang

sudah tersedia di workspace. Data training terdiri dari nilai error e(t), dan delta

error de(t). Setelah itu generate FIS dengan jumlah membership function 5 untuk

masing-masing input dan tipe membership function Gaussmf. Lanjut untuk proses

training FIS. Untuk hasil proses training serta nilai average testing error dapat

ditampilkan seperti pada gambar 3.18.

Gambar 3.18 Tampilan GUI ANFIS

Jika proses training selesai, maka akan diperoleh file FIS yang baru dan nilai

parameter telah di update berdasarkan proses training. Parameter inilah yang akan

di tuning ke PID.

35

Berikut adalah tampilan surface dari ANFIS

Gambar 3.19 Surface ANFIS PID

3.11 Pemodelan Eksitasi

Sebagai referensi untuk pemodelan eksitasi adalah yang dirancang oleh

IEEE work group “IEEE Recommended Practice for Excitation System Models for

Power System Stability Studies.” IEEE Standart, Vol. 421, No.5, 2005 (Revision of

IEEE 521.5-1992), dan tersedia pada simulasi Simulink yang ada di MathWorks

dengan tipe eksitasi AC4A. Gambar 3.20 merupakan blok eksitasi dan gambar 3.21

model eksitasi tipe AC4A.

Gambar 3.20 Blok Eksitasi

Gambar 3.21 Model Eksitasi tipe AC4A

36

Tabel 3.9 Parameter sistem eksitasi

Parameter Nilai

Tr (s) 20e-3

[Ka(pu), Ta(s)] [200 0.015]

[Kc(pu), Tc(s)] [-10 10]

Tb(s) [10 1.0]

[vimax, Vimin](pu) [-10 10]

[vrmax, Vrmin](pu) [-4.53 5.64]