optimisasi economic dispatch pada sistem kelistrikan jawa...

LOGO

Optimisasi Economic Dispatch padaSistem Kelistrikan Jawa-Bali 500 kV

menggunakan Differential Evolutionary Algorithm Anesya Violita 2208100169

Dosen Pembimbing: Prof. Dr. Ir. Imam Robandi, MTDr. Ardyono Priyadi, ST, M. Eng email: [email protected]

Latar Belakang

Penghematanbiaya bahan bakar Economic Dispatch

Optimisasi

Lagrange

PSO

DE Algorithm

Metodologi Penyelesaian Tugas Akhir

Company Logowww.themegallery.com

Tujuan

1

Dapat menyelesaikan permasalahan optimisasi pembangkitan dalam menyuplai beban dengan biaya se-efisien mungkin

2

Differential Evolotionary Algorithm (DE) dapat menjadi alternatif baru untuk menyelesaikan permasalahan Economic Dispatch dengan hasil yang lebih baik

Company Logowww.themegallery.com

D

B

C

AMetode yang dipakaiadalah DE Algorithm

Metode untuk analisis alirandaya digunakan Newton-

Rhapson

Profil tegangan pada setiap bus diasumsikan tidak diregulasi

Analisis dilakukan pada sistem tenagalistrik IEEE 30 Bus dan sistem kelistrikan

Jawa Bali 500 kV

Batasan Masalah

Jaring transmisi dengan

rugi-rugi Ploss

Boiler

Boiler

Boiler

F1

F2

Fn

P1

P2

Pn

PLOAD

Turbin

Turbin

Turbin

6

PG

1

PG

2

.....

PG

n

$G

1

$G

2

.....

$G

n

ΣPGn Ploss Pload

7

PGn = =Daya yang dibangkitkan (MW)Ploss = Rugi-rugi transmisi (MW)Pload= Total daya beban (MW)

min maxGi G GiP P P≤ ≤

Inpu

t (M

Btu

/h a

tau

$/h)

Output (MW)

PGmin PGmax

c

F

PG

8

Bentuk typical dari persamaan “cost function” pembangkitadalah persamaan polynomial orde dua dan direpresentasikansebagai berikut

9

2( ) ( )i i i i i i iMin F P Min a b P c P= + +∑ ∑

min maxGi G GiP P P≤ ≤

2)( iiiiiii PcPbaPF ++=

equality constraint inequality constraint

Dengan, PGn = =Total daya yang dibangkitkan oleh sistem MWPloss = Rugi-rugi transmisi MWPload= Total daya beban MWa, b, c = koefisien fungsi biaya

ΣPGi=Ploss +Pload

AnalisisAliranDaya

Newton Raphson

Ploss

(Rugi-rugitransmisi)

10

Flowchart Metode Lagrange

Input Data Bus, Line Trans., Daya min-max Output Gen.,

Persm. Karakteristik I/O Gen.

selisih daya > ɛ

Kalkulasi Ploss dengan studi aliran daya

Selisih daya =Abs ( Σ(Pgn) – P load – P loss )

Total Pg* = Total Pg + selisih daya

Tidak

SOLUSI

Kalkulasi Ploss dengan studi aliran daya

Total Pg = P load + P loss

ED menggunakan Lagrange

Ya

11

Differential Evolutionary Algorithm (DE)

Diperkenalkan oleh Storn danPrice pada tahun 1995

Merupakan teknik optimisasiyang berbasis pada populasi

Mulai

Selesai

Inisialisasi

Seleksi

Crossover

Mutasi

Kriteriaterpenuhi

Parameter DE

Parameter DE SistemKelistrikan Jawa-Bali 500kV

Sistem TenagaListrik IEEE-30 bus

Strategi 1 1Dimensi 8 6Crossover 0.8 0.8Populasi 30 30Fitness 0.7 0.7Iterasi maksimum 100 100

Flowchart DE Algorithm

15

Sistem Tenaga Listrik30 Bus Power System Analysis:Haadi Sadat)

Sistem Kelistrikan Jawa-Bali 500 kV

Pembanding

PSO Lagrange

Tes Performa DE

SISTEM TENAGA LISTRIK IEEE 30 BUS

Pembangkit DayaMinimum(MW)

DayaMaksimum(MW)

Pg 1 100 500Pg 2 50 200Pg 5 80 300Pg 8 50 150Pg 11 50 200Pg 13 50 120

Batasan Pembangkitan Daya Sistem 30 Bus

SISTEM TENAGA LISTRIK IEEE 30 BUS (CONT)

Fungsi biaya sistem ditunjukkan sbb: C1 = 0,0070 P1

2 + 7 P1 + 240C2 = 0,0095 P2

2 + 10 P1 + 200C3 = 0,0090 P3

2 + 8,5 P3 + 220C4 = 0,0090 P4

2 + 11 P4 + 200C5 = 0,0080 P5

2 + 10,5 P5 + 220 C26 = 0,0075 P26

2 + 12 P26 + 190

SISTEM TENAGA LISTRIK IEEE 30 BUS (CONT.)

Simulasi ED menggunakan LagrangeNo Generator Daya Aktif (MW)1 P1 178,162 P2 48,1713 P3 21,214 P4 21,995 P5 11,936 P6 12,00Total DayaTerbangkitkan(MW)

293,47

Total biaya($/hour)

803,24

Rugi-rugi (MW) 10,07


Simulasi menggunakan PSO

No Generator

Daya Aktif(MW)

Biaya($/hour)

1 P1 177,68 473,742 P2 47,88 123,923 P3 18,30 39,224 P4 15,40 52,035 P5 13,65 45,626 P6 12,78 42,43Total 285,70 776,97Rugi-rugi (MW) 2,30


Simulasi ED menggunakan DE AlgorithmNo Generato

rDaya Aktif(MW)

Biaya($/hour)

1 P1 186,480 503,3672 P2 47,835 123,7543 P3 19,316 42,6344 P4 11,328 37,8825 P5 10,010 32,5366 P6 12,000 39,602Total 286,97 779,77Losses (MW) 3,57


Perbandingan HasilNo Generato

rDaya Aktif (MW)

Lagrange PSO DE

1 P1 178,16 183,18 186,480

2 P2 48,171 44,66 47,835

3 P3 21,21 18,92 19,316

4 P4 21,99 11,68 11,328

5 P5 11,93 11,00 10,010

6 P6 12,00 16,97 12,000

Total DayaTerbangkitkan

293,47 286,43 286,97

Rugi-rugi 10,07 3,03 3,57

Total biaya 803,24 779,83 779,77

Simulasi ED Pada Sistem Kelistrikan Jawa Bali 500 kV

Simulasi Economic Dispatch pada sistem kelistrikanJawa Bali 500 kV dilakukan dengan ketentuansebagai berikut:Total beban = 10912,52 MWBase daya = 1000 MVA

Data: PT PLN P3B Jawa Bali 500 kV, Gandul, Jakarta SelatanPembeban diambil pada tanggal 19 April 2011 pada pukul18.30 WIB

22

Sistem Kelistrikan Jawa-Bali 500 kV

Paiton

Grati

Surabaya Barat

Gresik

Tanjung jati

Ungaran

Kediri

Pedan

Mandiracan

Cirata

Cibatu

Muaratawar

Bekasi

Bandung Selatan

Depok

Gandul

Cilegon

Suralaya

Kembangan

Cawang

Cibinong

1

2

3

4

5

67

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

Balaraja

24

Ngimbang 25

Sistem Kelistrikan Jawa-Bali 500 kV (cont.)

Batasan daya pembangkitan minimal dan maksimal Suralaya : 1.703 ≤ P1 ≤ 3.287 (MW) Muaratawar : 1.191 ≤ P8 ≤ 2.115 (MW) Cirata : 500 ≤ P10 ≤ 1.000 (MW) Saguling : 350 ≤ P11 ≤ 698 (MW) Tanjung Jati : 840 ≤ P15 ≤ 1.321 (MW) Gresik : 238 ≤ P17 ≤ 1050 (MW) Paiton : 1.664 ≤ P22 ≤ 3240 (MW) Grati : 150 ≤ P23 ≤ 827 (MW)

Fungsi biaya masing-masing unit pembangkit pada sistem ini Suralaya : C1 = -6,99 P1

2 + 385454,41P1 + 51229002,4 Muaratawar : C8 = 137,924P8

2 -873046,208 P8 +5375795990 Cirata : C10 = 6000 P10 Saguling : C11 = 5502 P11 Tanjung Jati : C15 = 10.114P15

2 + 284810.35P15 +18527152.74 Gresik : C17 = -6.3P17

2 + 1021624.6 P17 + 6477009 Paiton : C22 = 52.19P22

2 + 37370.67P22 + 8220765.38 Grati : C23 = -100.79P23

2 + 1726981.41P23 + 29938756.61


Simulasi ED Menggunakan Metode Lagrange No Pembangkit Daya

Aktif(MW)

Biaya (Rp/jam) dalam jutaan

1 Suralaya 3.286 1.242,702 Muaratawar 2.115 4.146,273 Cirata 1.000 6,004 Saguling 698 3,845 Tanjung Jati 1.321 412,416 Gresik 1.050 1.066,417 Paiton 3.240 677,178 Grati 150 286,71Total 12.861 7.841,51Rugi-rugi daya(MW)

1984,48


Simulasi ED Menggunakan PSO No Pembangki

tDaya Aktif(MW)

Biaya(Rp/jam) dalamjutaan

1 Suralaya 2.816,59 1.081,442 Muaratawar 2.045,82 4.166,973 Cirata 1.000,00 6,004 Saguling 698,00 3,843 Tanjung Jati 929,71 292,064 Gresik 288,59 300,795 Paiton 3.105,68 627,676 Grati 153,98 293,47Total 11.038,37 6.772,23Rugi-rugi daya(MW)

125,85


Simulasi ED Menggunakan DE Algorithm No. Pembangki

tDaya Aktif(MW)

Biaya(Rp/jam) dalamjutaan

1 Suralaya 2.654,813 1.022,142 Muaratawar 2.115,000 4.146,273 Cirata 1.000,000 6,004 Saguling 698,000 3,845 Tanjung Jati 1.320,966 412,406 Gresik 238,000 2,497 Paiton 2.869,013 545,0258 Grati 150,000 286,72Total 11.036,79 6.671,66Rugi-rugi daya(MW)

124,27

Perbandingan Hasil Simulasi ED pada Sistem KelistrikanJawa Bali 500 kV Menggunakan Metode Lagrange, PSO danDE Algorithm

No Pembangkit Lagrange PSO DEDaya Aktif(MW)

Daya Aktif(MW)

Daya Aktif(MW)

1 Suralaya 3.287 2816,59 2.654,8132 Muaratawar 2.115 2045,82 2.115,0003 Cirata 1.000 1000,00 1.000,0004 Saguling 698 698,00 698,0005 Tanjung Jati 1.321 929,71 1.320,9666 Gresik 1.050 288,59 238,0007 Paiton 3.240 3.105,68 2.869,0138 Grati 150 153,98 150,000Total Daya 12.861 11.038,37 11.036,79Rugi-rugi daya (MW) 1.948,48 125,85 124,27Total Biaya 7.841,51 6.772,23 6.671,66

Kesimpulan

Pada sistem tenaga listrik 30 bus, metode Differential Evolutionary (DE) Algorithm mampu menemukan solusi optimal dari permasalahan ED dengan penghematan biaya sebesar 0,06 $/jam atau sekitar 0,008 % dibandingkan metode PSO, dan penghematan biaya sebesar 23,47 $/jam atau 2,92 % dibandingkan dengan metode Lagrange.

Pada sistem kelistrikan Jawa Bali 500 kV, Metode DE Algorithm mampu menemukan solusi optimal dari permasalahan ED dengan penghematan biaya sebesar Rp. 104,76 juta/jam atau 1,545 % dibandingkan dengan metode PSO, dan penghematan biaya pembangkitan sebesar Rp. 1.167,72 juta/jam atau 14,892 % dibandingkan metode Lagrange.

Dari hasil Simulasi ED dengan menggunakan metode DE Algorithm, PSO, dan Lagrange, dapat disimpulkan metode DE Algorithm menghasilkan nilai yang lebih optimal dibandingkan dengan metode PSO dan Lagrange. 29

SARAN

Metode Differential Evolutionary Algorithm (DE) yang digunakan untuk optimisasi Economic Dispatch padaTugas Akhir ini selanjutnya dapat dikembangkan lagi baikdengan menggabungnya dengan metode optimisasilainnya maupun mengaplikasinkannya pada plant-plant sistem kelistrikan lainnya.

30

REFERENSI Wood, A.J. dan Wollenberg, B.F., (1996), “Power Generation Operation and

Control,2nd edition, John Wiley & Sons. Inc., New York K.V. Price, R.M. Storn, J.A. Lampinen, “Differential Evolutionary; A practical approach

to global optimization,” Springer Berlin, Heidelberg,2005. R. Storn, “System design by constraint adaptation and differential evolutionary,”

IEEE Trans. Evol. Comput, vol. 3, no. 1, pp. 22-34, 1999. Saadat, Hadi, “Power System Analysis 2nd Edition”, McGrowHill. Ch.1, 1999 Allen J.W. dan Bruce F.W., “Power Generation, Operation and Control”, John Willey &

Sons Inc, America, 1996. Jizhong Zhu, “Optimization of Power System Operation”, IEEE press series on Power

Engineering, OPSO, John Willey & Sons Inc, America, 2009 Clerc Maurice, 2006, “Particle Swarm Optimization”, ISTE, Ltd. James Kennedy and Russell C. Eberhart, with Yuhui Shi, 2001, “Swarm Intelligence” ,

Morgan Kaufmann Publishers. Maickel Tuegeh “Optimal Generator Scheduling Berbasis Particle Swarm Optimization

(PSO) “ Thesis Magister Teknik Elektro ITS 2009. Y. del Valle, G. K. Venayagamoorthy, S. Mohagheghi, J. C. Hernandez, and R. G.

Harley, “Particle swarm optimization: Basic concepts, variants and applications in power systems,” IEEE Trans. Evolutionary Computation, vol. 12, no. 2, pp. 171–195, Apr. 2008.

Akhiriyanto Novan, “Algoritma Hyper Cube-Ant Colony Optimization (HC-ACO) untukReconfigurasi jaring pada sistem distribusi tenaga listrik”, Tugas Akhir Teknik ElektroITS 2008.

31

S. Khamsawang and S. Jiriwibhakorn. “Solving the Economic Dispatch Problem by Using Differential Evolutionary” presented at International Journal of Electrical Power and Energy Systems Engineering 2:2,2009.

R. Storn, K. Price, “Differential Evolution : A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces”, Journal of Global Optimization11:341±359, 1997G.

Wei Qiao, Ganesh K. Venayagamoorthy, and Ronald G. Harley, “Design of Optimal PI Controllers for Doubly Fed Induction Generators Driven by Wind Turbines Using Particle Swarm Optimization”, International Joint Conference on Neural Networks, IEEE, 2006

Jeyakumar and C. Shunmuga Velayutham, “A Comparative Performance Analysis of Differential Evolution and Dynamic Differential Evolution Variants”, IEEE ,2009

R. Storn, K. Price, J. Lampinen, “Differential Evolution A Practical Approach to Global Optimization” Springer-Verlag, Berlin, Heidelberg, 2005

D. Karaboga, dan S. Okdem, “A Simple and Global Optimization Algorithm for Engineering Problems: Differential Evolution Algorithm”, TurkJElecEngin, VOL.12, NO.1, 2004

Krisnakumar K. “Micro-Genetic Algorithm for Stationary and non Stationary Function Optimization”. SPIE Intelligent Control and Adaptive System.,Philadelphia, P. 289-96, 1989

H. Saadat, “Power System Analysis”, McGraw Hill, Singapore, 2004.

LOGO

www.themegallery.com

optimisasi economic dispatch pada sistem kelistrikan jawa...

Documents