emission dan economic dispatch pada sistem kelistrikan...
TRANSCRIPT
Emission dan Economic Dispatch pada
Sistem Kelistrikan Micro Grid Menggunakan
Multiobjective Genetic Algorithm
Optimization
PRIMADITYA SULISTIJONO
2210100147
DOSEN PEMBIMBING :
PROF. IR. ONTOSENO PENANGSANG, M.SC., PH.D.
DR. RONY SETO WIBOWO, ST., MT.
Permasalahan
Peningkatankebutuhandaya listrik
Ketersediaansumber energi
minyak dan batubara menipis
KetahananListrik
Nasional
Solusi
Pembangkit tersebarbersumber energi
terbarukan
Pembangkitandaya optimal
Biaya danemisi minimal
Metodologi
StudiLiteratur
• Membaca buku dan browsing terkait teori
• Mencoba program Matlab
PengumpulanData
• Parameter pembangkit
• Kurva pembebanan
• Emisi dan biaya pembangkitan
• Record beban
PemodelanSistem
• Fungsi biaya pembangkit
• Fungsi emisi pembangkit
Simulasidan
Analisis
• Simulasi emission dan economic dispatch menggunakan MultiobjectiveGenetic Algorithm dengan Matlab
• Analisis hasil simulasi
Penyusunanlaporan
• Kesimpulan tugas akhir
• Saran berkaitan dengan yang sudah dikerjakan
Studi Literatur
Studi Multi ObyektifEconomy-Emission Dispatch untuk Mengurangi Emisi SO2 pada Sistem Tenaga Listrik
• Mempelajari economy-emission dispatch pada Sistem Jawa Bali area IV menggunakan Lamda Iterasi
MicroGrid Modelling and Online
Management
• Mempelajari pemodelan pembangkitterbarukan dalam sistem MicroGrid besertakarakteristiknya
Combine Active Reactive Dispatch
MultiobjectiveOptimal Power Flow
Using Firefly Algorithm
• Mempelajari penentuanpengaturan daya aktif dan reaktifyang optimal menggunakanmultiobjective aggregating function algoritma kunang-kunang
Sistem Kelistrikan Micro Grid
Model Operasi Grid-Connected
Karakteristik pembangkit
Sel Surya
Turbin Angin
Alami
Karakteristik pembangkit
Bahan Bakar dan Emisi
TurbinMikro
SelBahanBakar
Generator Diesel
Level Emission
Emisi Persamaan
SO2
CO2NOX
Generator Diesel
TurbinMikro
SelBahanBakar
Pembangkit
E(P) = total emisi generator berbahan bakar
αFC, αMT, dan αDG = koefisien non-negatif dari SO2,
βFC, βMT, and βDG = koefisien non-negatif dari CO2,
γFC, γMT, and γDG = koefisien non-negatif dari NOx.
Faktor emisi
Faktor
Emisi
DG
(g/kWh)
FC
(g/kWh)
MT
(g/kWh)
α 0.454 0.006 0.008
β 1.432 1.078 1.596
γ 21.8 0.03 0.44
α = koefisien non-negatif dari SO2,
β = koefisien non-negatif dari CO2,
γ = koefisien non-negatif dari NOx.
Economic Dispatch
Bahan Bakar Persamaan
Gas Alam
Solar
Generator Diesel
TurbinMikro
SelBahanBakar
Pembangkit
CF(P) = total biaya operasi generator berbahan bakar.
Biaya operasi sel bahan bakar (PEM Fuel
Cell 50 kW)
CF(PFC) = total biaya operasi sel bahan bakar (R/h)
Cnl = harga gas alam untuk menyuplai sel bahan bakar (R/kWh)
PFC = daya listrik netto dari sel bahan bakar (kW)
η = efisiensi sel bahan bakar
H = harga gas alam = 5.8 USD/mmBtu
K = kurs mata uang USD ke IDR = 11300
HR = heat rate LHV = 13100 Btu/kWh
Kurva efisiensi (η) sel bahan bakar
Biaya operasi turbin mikro (30 kW
Capstone C30 Micro Turbine)
CF(PMT) = total biaya operasi turbin mikro (R/h)
Cnl = harga gas alam untuk menyuplai turbin mikro (R/kWh)
PMT = daya listrik netto dari turbin mikro (kW)
H = harga gas alam = 5.8 USD/mmBtu
K = kurs mata uang USD ke IDR = 11300
HR = heat rate LHV = 13100 Btu/kWh
Efisiensi (η) turbin mikro
η = efisiensi turbin mikro
PSC = daya sistem (kW)
PMT = daya listrik netto dari turbin mikro (kW)
PMTmax = daya listrik netto maksimal dari turbin mikro (kW)
CF(PDG) = total biaya operasi generator diesel (R/h)
R = harga bahan bakar = 5500 R/liter
a, b, dan c = koefisien generator = 0.4333, 0.2333, dan 0.0074
PDG = keluaran daya dari generator diesel (kW)
Biaya operasi generator diesel (6-kW diesel
generator set (Cummins Power) model DNAC 50 Hz)
Kurva konsumsi bahan bakar generator diesel
Pembangkitan Sel Surya (SOLAREX MSX-83)
PPV = daya keluaran dari modul saat radiasi GING (W)
PSTC = daya maksimum modul saat STC = 83 W
GING = radiasi aktual (W/m2)
GSTC = radiasi saat STC = 1000 W/m2
M = jumlah modul sel surya
k = koefisien suhu untuk daya modul = - 0.5 %/ oC
TC = suhu sel (oC)
Tr = referensi suhu = 25oC
Pembangkitan Turbin Angin (AIR403)
PWT = daya keluaran dari turbin angin (W)
PWT,r = rating daya = 130 W
J = jumlah turbin angin terpasang
Vci = kecepatan cut-in = 3.5 m/s
Vco = kecepatan cut-out = 18 m/s
Vr = rating kecepatan angin = 17.5 m/s
Vac = kecepatan angin aktual (m/s)
a, b, dan c = 3.4, - 12, dan 9.2
Kurva daya aktual dan model Turbin Angin
(AIR403)
Total pemasukan dari penjualan
daya ke PLN
Cpln = total harga yang dijual ke PLN (R/h)
Upln = daya yang dijual ke PLN (kW)
Tjual = tarif jual ke PLN = 600 R/kWh
TotR = total daya Renewable Generator (kW)
Load = total beban (kW)
Ppv = total daya sel surya (kW)
Pwt = total daya turbin angin (kW)
Total pengeluaran dari pembelian
daya PLN
Dpln = total harga yang dibeli dari PLN (R/h)
Vpln = daya yang dibeli dari PLN (kW)
Tbeli = tarif beli dari PLN = 900 R/kWh
TotG = total daya maksimum generator berbahan bakar (kW)
PFCmax = daya maksimal dari sel bahan bakar = 50 kW
PMTmax = daya maksimal dari turbin mikro = 30 kW
PDGmax = daya maksimal dari generator diesel = 6 kW
Constraints
Equality Constraint merupakan batasan yang merepresentasikan
keseimbangan daya dalam sistem.
Inequality Constraint merupakan batasan yang merepresentasikan
kapasitas daya dari pembangkit.
Multiobjective Optimization
CF(P) = total biaya operasi generator berbahan bakar (R/h)
E(P) = total emisi generator berbahan bakar (g)
w1 = weight biaya operasi
w2 = weight emisi
S = scaling factor dari fungsi emisi = 407
Implementasi Algoritma
Menghitung daya keluaran dari turbin angin.
Menghitung daya keluaran dari sel surya.
Asumsikan turbin angin dan sel surya tidak menghasilkan biaya dan emisi
saat beroperasi.
Jika total permintaan beban lebih kecil dari daya keluaran sel surya dan
turbin angin maka daya sisa akan dijual ke PLN.
Beban netto dihitung hanya jika daya keluaran dari turbin angin dan sel
surya lebih kecil dari total permintaan beban.
Memilih sumber lainnya dalam memenuhi beban (sel bahan bakar, turbin
mikro, atau generator diesel) sesuai dengan fungsi tujuannya.
Jika daya keluaran seluruh pembangkit masih tidak cukup dalam
memenuhi total permintaan beban maka akan membeli daya dari PLN.
Flowchart
Multiobjective Genetic Algorithm
Membangkitkan populasi secara acak. Terdapat 3 gen dalam 1 kromosom dan
1000 kromosom dalam 1 populasi.
Pengkodean kromosom merupakan konversi dari nilai asumsi ke nilai real. Nilai ini
diwakili oleh kromosom yang dibangkitkan secara acak tadi. Sedangkan nilai real
adalah nilai daya pembangkitan yang sesungguhnya.
Hasil dari pengkodean kromosom dimasukkan ke dalam fungsi biaya dan emisi
pembangkitan sehingga didapatkan nilai fitness.
Metode seleksi, pindah silang serta mutasi digunakan untuk menyeleksi individu
yang paling optimal dalam populasi tersebut. Probabilitas Pindah Silang yang
dipakai adalah 0.8. Sedangkan probabilitas Mutasi yang dipakai adalah 0.3.
Proses akan terus berulang untuk mendapatkan kromosom terbaik. Kromosom
terbaik ini direpresentasikan dalam bentuk nilai fitness terbesar.
Kromosom terbaik dari seluruh proses tersebut akan muncul setelah iterasi
maksimum terpenuhi yaitu 25 generasi.
Multiobjective
Genetic Algorithm
Studi Kasus 1 (Jual daya ke PLN)
Data masukan
Hasil simulasi
Studi Kasus 2 (Pembangkit berbahan
bakar on dan Prioritas biaya operasi)
w1 = 0.8
w2 = 0.2
Sel Surya :
M = 6 modul
GING = 1500 W/m2
TC = 70 oC
Turbin Angin :
J = 5 unit
Vac = 17 m/s
Studi Kasus 3 (Pembangkit berbahan
bakar on dan Prioritas emisi)
w1 = 0.2
w2 = 0.8
Sel Surya :
M = 6 modul
GING = 1500 W/m2
TC = 70 oC
Turbin Angin :
J = 5 unit
Vac = 17 m/s
Studi Kasus 4 (Pembangkit berbahan
bakar on dan Prioritas seimbang)
w1 = 0.5
w2 = 0.5
Sel Surya :
M = 6 modul
GING = 1500 W/m2
TC = 70 oC
Turbin Angin :
J = 5 unit
Vac = 17 m/s
Perbandingan Studi Kasus 2, 3, dan 4Studi Kasus 2 (prioritas biaya operasi)
Studi Kasus 3 (prioritas emisi)
Studi Kasus 4 (prioritas seimbang)
Studi Kasus 5 (Beli daya dari PLN)
Data masukan
Hasil simulasi
Kurva Konvergensi
Karena menggunakan formula 1/fungsi tujuan maka semakin besar nilaifitness, semakin menuju ke titik optimal.
Waktu yang dibutuhkan untuk menghasilkan 25 iterasi ini yaitu sekitar 26 detik.
Analisis Statistik Fitness
Tabel disamping menunjukkan nilai minimum,
maksimum, rata-rata, dan standar deviasi dari
fitness.
Nilai standar deviasi yang kecil menunjukkannilai-nilai diatas berkumpul disekitar rata-rata
hitungnya (penyebarannya kecil).
Kesimpulan
Metode ini mampu menentukan pembangkit yang dioperasikan sertabesarnya daya yang dibangkitkan berdasarkan permintaan bebandalam sistem Micro Grid sehingga beban dapat dipenuhi dengan biayadan emisi yang paling minimal.
Terdapat pemasukan dari penjualan daya ke PLN apabila daya yang terbangkit dari pembangkit renewable lebih besar dari permintaanbeban tetapi terdapat pengeluaran dari pembelian daya PLN apabilapermintaan beban melebihi total pembangkitan dari seluruhpembangkit dalam sistem Micro Grid.
Dengan mengatur nilai weight dari multiobjective genetic algorithmmaka didapatkan hasil emission dan economic dispatch yang sesuaidengan yang diprioritaskan. Semakin besar nilai weight maka semakinbesar pula prioritasnya.
Metode multiobjective genetic algorithm mempunyai nilai penyebaranyang kecil dari nilai rata-rata hitungnya. Metode ini juga sangat efisiendalam pemecahan masalah karena waktunya yang singkat yaitu hanyasekitar 26 detik.
Daftar Pustaka
Imam Robandi, “Modern Power System Control”, Penerbit ANDI, Yogyakarta, 2009.
WANG Jiang-hai, TAI Neng-ling, SONG Kai, “Penetration Level Permission of for DG in Distributed Network Considering Relay Protection,” Proceedings of the CSEE, 30 (2010), No. 22, 37-43.
YU Kun, CAO Yijia, CHEN Xingying, “Dynamic Probability Power Flow of District Grid Containing Distributed Generation,” Proceedings of the CSEE, 31 (2011), No. 1, 20-25.
Naoto Yorino, Hafiz Mohd Habibuddin, Zoka Yoshifumi, Sasaki Yutaka, Ohnishi Yuji,”Dynamic Economic Dispatch with Generatir’s Feasible Operatoin Region”, Power and Energy
Engineering Conference (APPEEC), 2010 Asia-Pacific, 10.1109/APPEEC.2010.5448180, 2010.
D. W. Ross, S. Kim, ”Dynamic Economic Dispatch of Generation”, IEEE Trans. on Power Apparatus and Systems, vol. PAS-99, no. 6, pp. 2060-2068, Nov. 1980.
Mohamed Faisal A, Koivo Heikki., “System modelling and online optimal management of MicroGrid using Mesh Adaptive Direct Search”, International Journal of Electrical Power & Energy
Systems., Vol. 32,no 5 . 2010, pp. 398–407.
S. Campanari and E. Macchi. Technical and tariff scenarios effect on microturbine trigenerative applications. Journal of Engineering for Gas turbines and Power, 126:581 – 589, July 2004.
Morgantown, W, “Emission rates for new DG technologies”, the Regulatory Assistance Project., Online Available,http://www.raponline.org
ProjDocs/DREmsRul/Collfile/DGEmissionsMay2001.pdf.
Wibowo, Rony Seto, Sidarjanto, Syariffuddin, M. “Studi Multi Obyektif Economy-Emission Dispatch untuk Mengurangi Emisi SO2 pada Sistem Tenaga Listrik”, Tugas Akhir Jurusan Teknik Elektro
ITS, 1999.
Priyanto, Yun Tonce Kusuma. “Combine Active Reactive Dispatch Multiobjective Optimal Power Flow Using Firefly Algorithm”, Master Theses of Electrical Engineering, RTE 621.319 Pri p, 2013.
Bakirtzis, A., Petridis, V., dan Kazarlis, S. “Genetic Algorithm solution to the Economic Dispatch problem”, IEE Proc-Gener. Transm. and Distrib, vol 141, no. 4, p.377-382, 1994.
Mohamed Faisal A, Koivo Heikki., “Multiobjective Genetic Algorithms for Online Management Problem of Microgrid”, Journal of International Review of Electrical Engineering (IREE) Vol. 3,no
1 . 2008, pp. 46-54.
Mohamed, Faisal A. "Microgrid modelling and online management." (2008).
M. A. Abido. Enverionmental/economic power dispatch using multiobjective evolutionary algorithms. IEEE Transactions on Power Syst, 18(4):1529 – 1537, November 2003.
S. Bernow and D. Marron. Valuation of environmental externalities for energy planning and operations. In Tellus Institute Report 90-SB01 Boston, MA, May 1990.
M. Pipattanasomporn, M.Willingham, and S. Rahman. Implications of on-site distributed generation for commercial/industrial facilities. IEEE Transactions on Power Systems., 20(1):206 – 212,
February 2005.