paper opc
TRANSCRIPT
OPTIMISASI PENEMPATAN DAN UKURAN KAPASITOR BANK UNTUK MENGURANGI RUGI-RUGI DAYA MENGGUNAKAN METODE ALGORITMA GENETIKA
(STUDI KASUS INTERKONEKSI SUBSISTEM SUMBAGSEL 150 kV)
Oleh : Joni Irawan NPM : G1D006007 Pembimbing : Anizar Indriani, S.T., M.T Irnanda Priyadi, S.T., M.T
ABSTRAK
Permintaan suplai daya reaktif terus meningkat akibat penambahan beban bersifat induktif. Suatu jaringan apabila tidak memiliki sumber daya reaktif di daerah sekitar beban maka semua suplai daya reaktif dipikul oleh generator sehingga mengalir arus reaktif yang berakibat: faktor daya menurun dan rugi-rugi daya besar. Untuk mengatasi masalah tersebut diperlukan kompensasi daya reaktif dengan pemasangan kapasitor bank pada jaringan. Pemasangan kapasitor tidak bisa dilakukan secara sembarangan karena berpengaruh pada beberapa aspek seperti kontrol sistem, biaya dan batas tegangan sehingga diperlukan perhitungan yang tepat. Optimisasi penempatan dan ukuran kapasitor bank menggunakan metode algoritma genetika. Studi yang diterapkan pada data pembanding Jawa Bali 500 kV hasil penelitian sebelumnya menggunakan metode algoritma Artificial Bee Colony (ABC) menghasilkan penurunan rugi-rugi daya aktif dan reaktif sebesar 14,04 % dan 17,41 %, hasil ini tidak jauh berbeda dengan hasil optimisasi menggunakan metode algoritma genetika sebesar 13,68 % dan 16,96 %. Pada interkoneksi subsistem Sumbagsel 150 kV rugi-rugi daya berkurang dari 25,315+j9,303 MVA menjadi 23,549+j0,773 MVA dan semua profil tegangan berada pada batas ± 5% dari tegangan referensi.
Kata kunci: Optimisasi, kapasitor bank, algoritma genetika, rugi-rugi daya
1. PENDAHULUAN
Beberapa tahun ini, operasi sistem tenaga
listrik modern sedang menghadapi banyak tantangan
berkaitan dengan permintaan suplai daya reaktif yang
terus meningkat akibat meningkatnya beban yang
bersifat induktif pada jaringan. Suatu jaringan apabila
tidak memiliki sumber daya reaktif di daerah sekitar
beban maka semua kebutuhan beban reaktif dipikul
oleh generator, sehingga akan mengalir arus reaktif
pada jaringan yang akan berakibat: faktor daya
menurun, rugi-rugi daya besar, dan jatuh tegangan
pada ujung saluran meningkat serta terjadi pemanasan
pada kawat penghantar sehingga umur peralatan
menjadi lebih pendek. Hal ini akan menimbulkan
kerugian bagi perusahaan pengelola kelistrikan
terutama pihak PT. PLN Persero maupun konsumen.
Untuk mengurangi rugi-rugi daya dan
memperbaiki profil tegangan agar selalu berada pada
batas-batas yang diizinkan diperlukan kompensasi
daya reaktif. Kompensasi yang digunakan adalah
dengan penempatan kapasitor bank. Pemasangan
kapasitor tidak bisa dilakukan secara sembarangan
karena berpengaruh pada beberapa aspek seperti
kontrol sistem, biaya dan batas tegangan sehingga
diperlukan perhitungan yang tepat. Untuk menentukan
letak dan ukuran kapasitor bank yang optimal
menggunakan metode algoritma genetika. Metode
algoritma genetika merupakan salah satu algoritma
komputasi untuk masalah optimisasi yang terinspirasi
oleh teori evolusi yang kemudian diadopsi menjadi
algoritma komputasi untuk mencari solusi suatu
permasalahan. Metode ini termasuk kedalam metode
kecerdasan buatan (artificial intellegent). Keunggulan
metode ini dapat mencari solusi yang terbaik dari
suatu permasalahan kompleks tanpa harus
menggunakan metode konvensional. Metode ini
mengoptimisasi fungsi-fungsi obyektif secara akurat.
Kelemahan metode ini memerlukan waktu simulasi
sedikit lama dan beberapa kali pengujian untuk
mencapai konvergen. Terdapat beberapa metode
optimisasi kecerdasan buatan lain seperti algoritma
Artificial Bee Colony (ABC), Particle Swarm
Optimization (PS0) dan algoritma Ant Colony System
(ACS). Metode ABC telah diterapkan dalam sistem
jaringan listrik Jawa Bali 500 kV oleh Danang
Sulistyo mahasiswa Institut Teknologi Surabaya (ITS)
dalam skripsinya yang berjudul “Penentuan Letak dan
Kapasitas Bank Kapasitor Secara Optimal
Menggunakan Bee Colony Algorithm”.
Hasil optimisasi metode algoritma genetika
akan dibandingkan dengan hasil optimisasi metode
ABC di sistem transmisi Jawa Bali 500 kV dan akan
diuji cobakan pada interkoneksi subsistem Sumatera
150 kV. Sistem interkoneksi Sumatera terdiri dari tiga
subsistem yaitu Sumbagut (SBU), Sumbagteng
(SBT), dan Sumbagsel (SBS). Masing-masing
subsistem terdiri dari beberapa Unit Pelaksana Teknis
(UPT). Implementasi metode ini diterapkan pada
interkoneksi subsistem Sumbagsel 150 kV yang
terdiri dari UPT Bengkulu, UPT Sumatera Selatan dan
UPT Tanjung Karang. Penelitian ini dilakukan karena
penelitian sebelumnya menggunakan sistem transmisi
Jawa Bali bertegangan 500 kV sedangkan sistem
Sumatera menggunakan tegangan 150 kV serta masih
adanya profil tegangan beberapa bus yang belum
sesuai dengan batasan yang diizinkan.
2. KOMPENSASI DAYA REAKTIF
Untuk operasi yang efisien dan diandalkan
pada sistem tenaga, kontrol tegangan dan daya reaktif
harus mencapai beberapa sasaran berikut [7] :
a. Tegangan terminal semua peralatan dalam
sistem berada pada batas yang dapat diterima.
Kegunaan peralatan konsumen didesain untuk
beroperasi pada tingkat tegangan tertentu.
Operasi yang lebih lama dari peralatan pada
tegangan di luar tegangan yang diizinkan
dapat memberikan efek yang kurang baik pada
performansi alat dan dapat menyebabkan
kerusakan pada peralatan.
b. Kestabilan sistem ditingkatkan untuk
memaksimalkan penggunaan sistem transmisi.
Tegangan dan kontrol daya reaktif memiliki
dampak yang penting pada kestabilan sistem.
c. Aliran daya reaktif diminimasi sedemikian
rupa untuk mengurangi rugi-rugi I2R dan I2X
sampai minimum. Hal itu untuk memastikan
sistem transmisi beroperasi secara efisien,
terutama untuk transfer daya aktif.
Untuk menjaga tegangan pada batasan yang
ditentukan sangat rumit dengan fakta bahwa suplai
daya sistem tenaga pada beban yang sangat banyak
dan daya itu diperoleh dari banyak unit pembangkit.
Dengan beban bervariasi, daya reaktif memerlukan
sistem transmisi yang bervariasi. Oleh karena daya
reaktif tidak dapat ditransmisikan pada jarak panjang,
kontrol tegangan dilakukan menggunakan alat khusus
yang dipasang pada sistem. Pemilihan yang tepat dan
koordinasi peralatan untuk mengontrol daya reaktif
dan tegangan merupakan tantangan besar pada teknik
sistem tenaga.
Berikut batasan yang harus diperhatikan :
• Tegangan harus berada pada batasan toleransi
yang diizinkan, yaitu :
VMin � Vi � VMaks untuk i=1,…..n standar
IEEE-519 (2)
Keterangan :
I = nomor bus
VMin = 0,95 pu
VMaxs = 1,05 pu
• Generator harus mensuplai daya reaktif
sebesar :
QMin � Qi � QMaks
untuk i=1,…..n (3)
Keterangan :
QMin = daya reaktif minimum (MVAr)
QMaks = daya reaktif maksimum (MVAr)
Kompensasi daya reaktif dapat dilakukan
dengan 3 cara yaitu :
a. Tegangan Bus Generator
Generator sinkron dapat membangkitkan atau
menyerap daya reaktif tergantung pada eksitasinya.
Generator mensuplai daya reaktif ketika overexcited
dan generator menyerap daya reaktif ketika
underexcited [7].
Kemampuan untuk terus menerus mensuplai
atau menyerap daya reaktif dibatasi oleh field current,
armature current, dan end region heating limit.
Generator sinkron dilengkapi oleh Automatic Voltage
Regulator (AVR) yang terus menyesuaikan eksitasi
dan juga mengontrol tegangan terminal agar tetap
konstan pada nilai yang ditentukan.
b. Tap Trafo
Trafo dengan fasilitas tap-changing
merupakan alat yang penting untuk mengontrol
tegangan dan daya reaktif pada level sistem transmisi.
Tap trafo ini menyediakan alat yang baik untuk
mengontrol profil tegangan, dan meminimalis rugi-
rugi daya aktif dan reaktif. Dengan mengubah tap
trafo kita dapat menaikkan rasio tap pengubah
tegangan sehingga output akan sesuai dengan
tegangan sistem yang diinginkan.
c. Kompensator VAr
Kompensator VAr yang ada sangat bervariasi,
seperti :
1. Kapasitor paralel, reaktor paralel, syncronous
condensor, dan Static Var Compensator
(SVCs).
2. Kompensator reaktansi kawat, seperti
kapasitor seri.
Penambahan kapasitor memungkinkan kita
memperbaiki faktor daya, dan perbaikan faktor daya
tersebut dapat mengurangi penurunan tegangan pada
sisi terima seperti yang terlihat pada Gambar 2.4. V R
menunjukkan tegangan pada sisi terima dan Vs adalah
tegangan pada sisi pengirim. Dengan penambahan
kapasitor shunt, kita juga dapat meningkatkan
kapasitas penyaluran daya kepada konsumen, seperti
yang terlihat pada Gambar. 1.
1θ
1θ
Gambar 1. Tegangan terima sebelum dan sesudah dipasang kapasitor paralel
Sumber : Imam Robandi (2006)
��� � �� � ��cos � sin � � � ���
(1)
��� � �� � ��cos � sin �� � ��� � ��� �� (2)
∆�� � ��� � ���
= ����
(3)
3. ALGORITMA GENETIKA
Algoritma genetika adalah algoritma pencarian
yang didasarkan pada mekanisme seleksi alamiah dan
genetika alamiah [10]. Pertama kali algoritma
genetika dirintis oleh Jhon Holland pada tahun 1960-
an dan dikembangkan oleh muridnya David Goldberg.
Algoritma genetika telah dipelajari, diteliti, dan
diaplikasikan. Dalam proses evolusi, individu secara
terus-menerus mengalami perubahan gen untuk
menyesuaikan dengan lingkungan hidupnya. “Hanya
individu-individu yang kuat yang mampu bertahan”.
Proses seleksi alamiah ini melibatkan perubahan gen
yang terjadi pada individu melalui proses
perkembangbiakan. Dalam algoritma genetika ini,
proses perkembang-biakan ini menjadi proses dasar
yang menjadi perhatian utama, dengan dasar berpikir:
“Bagaimana mendapatkan keturunan yang lebih
baik”.
Parameter yang digunakan dalam algoritma
genetika yaitu:
1. Jumlah gen
2. Jumlah kromosom
3. Pc (Kemungkinan kawin silang)
4. Pm (Kemungkinan mutasi)
5. Maksimum generasi
Operator yang digunakan dalam algoritma
genetika yaitu :
1. Pengkodean
2. Nilai fitness
3. Seleksi
4. Kawin silang
5. Mutasi
6. Elitisme
7. Regenerasi
Berikut ini adalah langkah-langkah dalam
menyelesaikan simulasi optimasi penempatan dan
ukuran kapasitor bank untuk mengurangi rugi-rugi
daya.
Langkah 1 : memasukkan data sistem jaringan
(pembangkitan, pembebanan,
karakteristik saluran).
Langkah 2 : memasukkan parameter algoritma
genetika (JumKrom, JumGen, Pc, Pm,
Pbreeder, dan MaxGenerasi).
Langkah 3 : inisialisasi awal populasi sebanyak
jumlah kromosom.
Langkah 4 : memasukkan penghitung awal generasi.
(proses fitness)
Langkah 5a : menjalankan aliran daya Newthon
Raphson setiap injeksi kromosom.
Langkah 5b : Jika rugi-rugi daya minimum sesuai
dengan yang kita tentukan dan
tegangan memenuhi batasan ± 5%,
print solusi aliran daya, rugi-rugi daya
dan injeksi MVAr. Jika tidak
melanjutkan ke langkah 5c.
Langkah 5c : Sebelumnya menetapkan batasan
maksimum nilai obyektif. Kemudian
menghitung fungsi fitness (2.52) setiap
kromosom. Set Nkr = Nkr+1.
Langkah 5d : jika Nkr =Nkrom menuju langkah 6, jika
tidak kembali ke langkah 5a.
(Pembuatan roulette)
Langkah 6a : menentukkan total fitness sebagai
jumlah dari semua nilai fitness setiap
kromosom. Menentukkan fitness relatif
kemudian menentukkan fitness
komulatif dengan mengeset k=k+1.
(Seleksi)
Langkah 7a : membangkitkan bilangan secara acak
dan melakukan pemilihan sampai
jumlah kromosom yang ditentukan.
Dengan mengeset Nkr induk =Nkr induk+1.
Langkah 7b : jika Ninduk=Nkrom akan menghasilkan
anak=induk dan menuju langkah 8, jika
tidak kembali ke langkah 7a.
(Proses kawin silang)
Langkah 8a : membangkitkan bilangan acak (Rand1)
sebanyak setengah jumlah kromosom
untuk menjodohkan masing-masing 2
kromosom induk.
Langkah 8b : jika (Rand1)<=Pc, maka menjodohkan
2 kromosom induk pada posisi kawin
silang (dengan batasan titik acak). Jika
tidak maka akan memindahkan posisi 2
kromosom langsung tanpa batasan
titik.
Langkah 8c : menghasilkan keluaran anak.
(Proses mutasi)
Langkah 9a : membangkitkan bilangan acak (Rand2)
sebanyak jumlah kromosom
Langkah 9b : jika (Rand2)<=Pm, maka melakukan
mutasi gen pada posisi acak. Jika tidak
memindahkan kromosom tanpa mutasi.
Langkah 9c : menghasilkan keluaran anak.
(Elitisme)
Langkah 10a : membangkitkan bilangan acak (Rand3)
sebanyak jumlah kromosom
Langkah 10b : jika (Rand3)<=Pbreeder, maka
melakukan pengkopian kromosom
terbaik hasil seleksi sebelumnya pada
kromosom hasil kawin silang dan
mutasi.
Langkah 10c : menghasilkan keluaran anak.
(Regenerasi)
Langkah 11 : menggantikan populasi lama dengan
populasi baru dimana populasi baru
merupakan anak hasil kawin silang dan
mutasi.
Langkah 12 : proses berlangsung sampai rentang
maksimum generasi. Jika mencapai
generasi maksimum program akan
berhenti namun belum mencapai solusi
yang diinginkan. Kembali
membangkitkan populasi awal.
Gambar 2. Fowchart Optimisasi Penempatan dan Ukuran Kapasitor Bank
Menggunakan Algoritma Genetika
Gambar 3. Single line diagram interkoneksi subsistem Sumbagsel 150 kV
Sumber: PT. PLN P3B Sumatera bidang operasi sistem (telah diolah kembali)
Gambar 4. Single line diagram sistem Jawa Bali 500 kV Sumber: Jurnal Fajar Galih Indarko
Tabel 1. Representasi algoritma genetika untuk optimisasi kapasitor
Algoritma
genetika
Optimisasi kapasitor pada
sistem transmisi
Kromosom Kandidat bus sebagai posisi kapasitor dan kandidat kapasitas kapasitor yang akan dipasang
Gen Jumlah kapasitor yang akan dipasang pada bus sistem transmisi
Fungsi obyektif F = min SLT (Rugi-rugi daya total)
Fitness 10000
��� !" #$%&'("�
Tabel 2. Data pembangkitan dan beban subsistem Sumbagsel 150 kV
No
Bus Nama Bus
Beban Pembangkitan
MW MVAr MW MVAr Qmin Qmax
1 Bukit Asam (Slack) 34,48 16,7 260 61,8532 -130 220 2 Gunung Megang 25,32 12,26 80 -0,8714 -39,2 52,678 3 Indralaya 33,92 16,43 124 20,9901 -70 96 4 IPP Borang 0 0 150 4,5942 -40 60 5 Borang 94,08 45,56 36 -2,5351 -24,49 32,924 6 Talang Duku 0 0 28 0,7801 -15 18 7 Musi 0 0 210 55,3339 -102,879 138 8 New Tarahan 23,01 11,14 200 53,6101 -80 180 9 Tarahan 32,98 15,98 18 -2,6015 -8,367 10,5 10 Besai 0 0 90 19,7638 -80,6 76,2 11 Batu Tegi 0 0 28.6 3,8823 -16 18 12 Pekalongan 73,06 35,39 0 0 0 0 13 Pagar Alam 14,31 6,93 0 0 0 0 14 Lubuk Linggau 42,89 0,78 0 0 0 0 15 Lahat 22,35 10,83 0 0 0 0 16 Prabumulih 21,14 10,24 0 0 0 0 17 Keramasan 94,72 45,87 0 0 0 0 18 Talang Kelapa 30,21 14,63 0 0 0 0 19 Betung 0 0 0 0 0 0 20 Mariana 15,18 7,35 0 0 0 0 21 Baturaja 53,09 25,72 0 0 0 0 22 Blambangan Umpu 4,8 2,33 0 0 0 0 23 Bukitkemuning 24,32 11,78 0 0 0 0 24 Kotabumi 33,36 16,16 0 0 0 0 25 Tegineneng 35,57 17,23 0 0 0 0 26 Menggala 28,78 13,94 0 0 0 0 27 Gumawang 25,31 12,26 0 0 0 0 28 Pagelaran 37,29 18,06 0 0 0 0 29 Metro 30,05 14,56 0 0 0 0 30 Sribawono 28,28 13,69 0 0 0 0 31 Natar 34,48 41,70 0 0 0 0 32 Teluk Betung 60,7 29,39 0 0 0 0 33 Sutami 24,16 11,7 0 0 0 0 34 Kalianda 18,61 34,01 0 0 0 0 35 Sukarami 0 0 0 0 0 0 36 Adijaya 21,51 10,42 0 0 0 0
Sumber: PT. PLN P3B Sumatera bidang operasi sistem (telah diolah kembali)
4. HASIL DAN PEMBAHASAN
Hasil Simulasi Aliran Daya Data
Pembanding Setelah Kompensasi Daya Reaktif
Menggunakan Metode Algoritma Genetika
Data parameter algoritma genetika :
1. Jumlah kromosom = 20
2. Peluang crossover = 0,9
3. Peluang mutasi = 0,1
4. Peluang pelestarian = 0,2
5. Maksimum generasi = 100
Gambar 5. Grafik nilai obyektif terbaik setiap generasi pada
percobaan Pc = 0,9, Pm=0,1, Pbreeder=0,2, dan MaxGenerasi=100
Hasil Perbandingan optimisasi penempatan dan ukuran kapasitor bank menggunakan metode algoritma ABC dengan metode algoritma genetika
Tabel 3. Hasil Perbandingan optimisasi penempatan dan ukuran kapasitor bank menggunakan metode
algoritma ABC dengan metode algoritma genetika Sebelum
kompensasi Kompensasi
dengan metode algoritma ABC
Kompensasi dengan metode
algoritma genetika Total kompensasi (MVAr)
- 2975,272 3150
Posisi kapasitor - 3, 4, 7, 9, 12, 13, 14, 19, 20, 21
3, 4, 7, 8, 12, 14, 15, 18, 20, 21, 22
Total rugi daya aktif (MW)
136,539 117,374 117,854
Prosentase Penurunan rugi daya aktif
- 14,04 % 13,68%
Total rugi daya reaktif (MVAr)
1223,030 1009,983 1015,600
Prosentase Penurunan rugi daya reaktif
- 17,41 % 16,96 %
Total pembangkitan daya aktif (MW)
9204,539 9185,374 9185,854
Total pembangkitan daya reaktif(MVAr)
4781,030 1640,163 1423,600
Gambar 6 Grafik perbandingan tegangan dalam pu sebelum dan sesudah kompensasi.
Gambar 7. Grafik perbandingan rugi-rugi daya aktif sebelum dan sesudah kompensasi
Gambar 8. Grafik perbandingan rugi-rugi daya reaktif sebelum dan sesudah kompensasi
0.880
0.900
0.920
0.940
0.960
0.980
1.000
1.020
1.040
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829
Te
ga
ng
an
(p
u)
No. bus
Perbandingan Tegangan (pu)
sblm ABC GA
0.000
5.000
10.000
15.000
20.000
25.000
1─
2
1─
4
2─
5
3─
4
4─
5
4─
18
5─
7
5─
8
5─
11
6─
7
6─
8
8─
9
9─
10
10─
11
11─
12
12─
13
13─
14
14─
15
14─
16
14─
20
15─
16
16─
17
16─
23
18─
19
19─
20
20─
21
21─
22
22─
23
Ru
gi-
rug
i d
ay
a a
kti
f (M
W)
Saluran transmisi
Perbandingan Rugi-Rugi Daya Aktif (MW)
sblm ABC GA
-50.000
0.000
50.000
100.000
150.000
200.000
1─
2
1─
4
2─
5
3─
4
4─
5
4─
18
5─
7
5─
8
5─
11
6─
7
6─
8
8─
9
9─
10
10─
11
11─
12
12─
13
13─
14
14─
15
14─
16
14─
20
15─
16
16─
17
16─
23
18─
19
19─
20
20─
21
21─
22
22─
23
Ru
gi
da
ya
re
ak
tif
(MV
Ar)
Saluran transmisi
Perbandingan Rugi-Rugi Daya Reaktif (MVAr)
sblm ABC GA
Hasil Simulasi Aliran Daya Subsistem
Sumbagsel 150 kV Setelah Kompensasi Daya
Reaktif Menggunakan Metode Algoritma
Genetika
Data parameter algoritma genetika :
1. Jumlah kromosom = 30
2. Peluang crossover = 0,9
3. Peluang mutasi = 0,1
4. Peluang pelestarian = 0,2
5. Maksimum generasi = 50
Gambar 9. Grafik nilai obyektif terbaik setiap generasi pada
percobaan Pc = 0,9, Pm=0,1, Pbreeder=0,2, dan MaxGenerasi=50
Berikut ini hasil perbandingan sebelum dan setelah kompensasi daya reaktif menggunakan kondisi real
dan metode algoritma genetika terdapat pada Tabel 4:
Tabel 4. Perbandingan kompensasi daya reaktif menggunakan kondisi real dengan metode algoritma genetika
Sebelum kompensasi
Kompensasi dengan kondisi
real
Kompensasi dengan metode
algoritma genetika Total kompensasi (MVAr)
- 30 110
Posisi - 31, 34 kapasitor bank dan 14
reaktor
3, 4, 8, 9, 10, 14, 17 ,22, 23, 25, 26, 27, 29, 31, 32, 33,
35, 36 kapasitor bank
Total rugi daya aktif (MW)
25,315 24,897 23,549
Prosentase Penurunan rugi daya aktif
- 1,65 % 6,9 %
Total rugi daya reaktif (MVAr)
9,303 7,515 0,773
Prosentase Penurunan rugi daya reaktif
- 19,2 % 91,69 %
Total pembangkitan daya aktif (MW)
1043,275 1042,857 1041,509
Total pembangkitan daya reaktif (MVAr)
532,342 500,554 413,812
Gambar 10. Grafik perbandingan tegangan dalam pu sebelum dan sesudah kompensasi.
5. KESIMPULAN
Dari hasil analisa diperoleh hasil kesimpulan sebagai berikut:
1. Metode algoritma genetika dapat diterapkan dalam optimisasi penempatan dan ukuran kapasitor bank pada jaringan transmisi dibuktikan dengan hasil perbandingan antara metode Algorithm Bee Colony (ABC) dengan metode algoritma genetika pada sistem Jawa Bali 500 kV.
2. Hasil perbandingan dua metode optimisasi pada sistem Jawa Bali 500 kV, metode algoritma genetika mengalami penurunan rugi-rugi daya sebesar 117,854+j1015,6 MVA sedangkan metode ABC mengalami penurunan rugi-rugi daya sebesar 117,374+j1009,983 MVA.
3. Sebelum dilakukan kompensasi daya reaktif subsistem Sumbagsel memiliki total pembangkitan sebesar 1043,275+j532,342 MVA, pembebanan sebesar 1017,960 +j523,040 MVA dan rugi-rugi daya sebesar 25,315+j9,303 MVA dan Setelah kompensasi memiliki total pembangkitan sebesar 1041,509+j413,812 MVA, pembebanan sebesar 1017,960+j523,040 MVA, injeksi daya reaktif sebesar 110 MVAr dan rugi-rugi daya sebesar 23,549+j0,773 MVA
4. Optimisasi letak dan ukuran kapasitor bank pada subsistem Sumbagsel pada posisi bus
3, 4, 8, 9, 10, 14, 17 ,22, 23, 25, 26, 27, 29, 31, 32, 33, 35, 36 dengan masing-masing ukuran kapasitor bank sebesar (3, 7, 8, 3, 8, 3, 1, 10, 2, 2, 11, 12, 5, 9, 8, 2, 11, 5) MVAr
6. DAFTAR PUSTAKA
[1] Hadi Saadat, “Power System Analysis”, McGraw-Hill, Singapore, 2004.
[2] Turan Gonen, “Electric Power Transmission System Engineering”, Simultaneously, Canada, 1988.
[3] Zuhal, “Dasar Teknik Listrik dan Elektronika Daya”, Pustaka Utama, Jakarta, 1988.
[4] T.S. Hutahuruk, “Transmisi Daya Listrik”, Erlangga, Jakarta, 1996.
[5] William Stevenson, “Analisis Sistem Tenaga Listrik”, Erlangga, Bandung, 1983.
[6] Cekmas Cekdin, “Sistem Tenaga Listrik Contoh Soal dan Penyelesaian Menggunakan Matlab”, ANDI, Yogyakarta, 2007.
[7] Imam Robandi, “Desain Sistem Tenaga Modern”, ANDI, Yogyakarta, 2006.
[8] Ramasamy Natarajan, “Power System Capacitor”, CRC Press, Francis, 2005.
[9] Danang Sulistiyo, “Penentuan Letak dan Kapasitas Bank Kapasitor Secara Optimal Menggunakan Bee Colony Algorithm”, Skripsi, Bidang Studi Teknik Sistem Tenaga
0.800
0.850
0.900
0.950
1.000
1.050
1.100
1 2 3 4 5 6 7 8 9 1011 12 1314 1516 1718 19 2021 2223 2425 26 2728 2930 3132 33 3435 36
Te
ga
ng
an
(p
u)
No. Bus
Perbandingan Tegangan (pu)
sblm kondisi optimisasi
Institut Teknologi Surabaya, Surabaya, 2010.
[10] Suyanto, “Algoritma Genetika dalam Matlab”, ANDI, Yogyakarta, 2005.
[11] Achmad Basuki, “Algoritma Genetika Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi, dan Machine Learning”, PENS-ITS Surabaya, 2003.
[12] Achmad Basuki, “Strategi Menggunakan Algoritma Genetika”, PENS-ITS Surabaya, 2003.
[13] Sri Kusumadewi, “Artificial Intelligence Teknik dan Aplikasinya)”, Graha Ilmu, Yogyakarta, 2003.
[14] I Putu Nicho Nopriadi a.k.a. Nick Troval, “Algoritma Genetika Dasar Komputasi Cerdas”, Teknik Elektro Universitas Udayana, Bali.
[15] Wahyudi Tjondro, “Perbandingan Algoritma Exhaustive, Algoritma Genetika dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek”, Skripsi, Jurusan Teknik Informatika Universitas Petra, Surabaya, 2006.
[16] Andry Pujiriyanto, “Cepat Mahir Matlab”, www.ilmukomputer.org, Bandung, 2004.
[17] Fajar G Indarko, “Penentuan MVAr Optimal SVC pada Sistem Transmisi Jawa Bali 500 kV Menggunakan Artificial Bee Colony Algorithm”, Skripsi, Bidang Studi Teknik Sistem Tenaga Institut Teknologi Surabaya, Surabaya, 2010.
BIODATA
Penulis merupakan putra kedua dari pasangan Bapak H. Mustakim Usman dan Hj. Minarti. Penulis lahir di Bengkulu, pada tanggal 6 Juni 1988.
Penulis merupakan lulusan SD Negeri 59 Bengkulu (2000), SLTP Negeri 2 Bengkulu (2003), dan SMA Negeri 2 Bengkulu (2006). Setelah itu penulis melanjutkan pendidikan pada Program Studi Teknik Elektro Fakultas Teknik Universitas Bengkulu. . Pembaca dapat mengirim kritik dan saran di [email protected] atau di blog [email protected]