sebelumnya. Karena itu, hal tersebut mempengaruhi pertukaran antara kemampuan partikel dalam menjelajah global dan local.
Personal best Pbest: Merupakan posisi individual best dari suatu partikel yang dipersiapkan untuk mendapatkan suatu solusi yang terbaik.
Global best Gbest: Merupakan suatu posisi terbaik diantara seluruh posisi terbaik Pbest yang telah diperoleh oleh masing-masing individu.
Stopping criteria: Ini merupakan suatu kondisi untuk mengakhiri proses pencarian. Pada penelitian ini pencarian akan berhenti jika salah satu
syarat berikut terpenuhi: a. Jika nilai hasil iterasi tidak berubah untuk nilai tertentu selang iterasi
maksimum yang ditentukan. b. Jika jumlah iterasi telah mencapai batas maksimum.
a. Algoritma PSO
Algoritma PSO pada dasarnya mengatur suatu populasi dari partikel, dimana tiap partikel merupakan suatu hasil yang potensial bagi sebuah
permasalahan optimisasi. Berikut ini adalah algoritma dari PSO : 1.
Menentukan ukuran swarm populasi dan menentukan nilai awal dari masing-masing partikel secara acak random.
2. Mengevaluasi nilai fungsi tujuan untuk setiap partikel.
3. Menentukan kecepatan atau velocity mula-mula.
4. Menghitung Pbest dan Gbest mula-mula.
5. Menghitung kecepatan pada iterasi berikutnya dengan persamaan di bawah
ini :
Dengan, Ket.
i = iterasi ; j = 1,2,3,. . .,N ; r
1
dan r
2
adalah bilangan random ; θ
max
dan θ
min
adalah random. 6.
Menentukan posisi partikel pada iterasi berikutnya menggunakan persamaan di bawah ini :
7. Mengevaluasi nilai fungsi tujuan pada iterasi selanjutnya.
8. Memperbarui nilai Pbest dan Gbest.
9. Mengecek apakah solusi sudah optimal atau belum. Bila sudah optimal,
maka proses algoritma berhenti. Namun, bila belum optimal, kembali ke langkah 5.
III. METODE PENELITIAN
A. Waktu dan Tempat Penelitian
Tugas akhir ini dilaksanakan dari bulan Agustus 2012 sampai dengan bulan April 2013 dan dilakukan di Laboratorium Terpadu Jurusan Teknik Elektro,
Universitas Lampung.
B. Alat dan Bahan.
Peralatan yang digunakan pada penelitian ini adalah sebagai berikut: 1.
Notebook. 2.
Software program Matlab R2009a sebagai simulator dari algoritma Particle Swarm Optimization
.
3.
Data-data pendukung. a.
Data pembangkit yang ada pada subsistem Lampung, yang terdiri atas data heat-rate pembangkit termis, data kapasitas maksimum dan
minimum pembangkit. b.
Data saluran transmisi linedata150 kV pada subsistem Lampung. c.
Data Gardu Induk GI 150 kV pada subsistem Lampung, yang terdiri dari Tipe Gardu Induk, Beban Gardu Induk Aktif dan Reaktif,
Tegangan Nominal.
d.
Data busbar bus data 150 kV yang ada pada subsistem Lampung yang terdiri dari jenis bus, Voltage Magnitude, Beban Gardu Induk Aktif dan Reaktif,
Daya Mampu Pembangkit Aktif dan Reaktif.
e.
Single line diagram sistem tenaga listrik Lampung.
C. Prosedur Kerja
Metode yang digunakan dalam pengoptimalan penjadwalan pembangkit pada subsistem Lampung adalah Particle Swarm Optimization menggunakan
software MATLAB versi R2008a.
Dalam proses pengerjaan aplikasi ini akan dilalui beberapa tahapan berikut di bawah ini :
1. Studi Literatur
Studi literatur ini dilakukan untuk mempelajari berbagai sumber referensi yang berkaitan dengan penelitian. Literatur yang dipelajari adalah yang
berkaitan dengan penjadwalan pembangkit Unit Commitment dan aplikasi dalam penggunaan metode PSO.
2. Pengumpulan Data
Dalam hal ini, penulis melakukan studi di PLN untuk mendapatkan data- data yang diperlukan yang berkaitan dengan Penjadwalan Pembangkitan.
Data yang diperoleh diantaranya adalah data pembebanan sistem, kurva heat-rate
dari tiap pembangkit, dan data biaya bahan bakar. 3.
Memasukkan Data Pada tahap ini dilakukan analisa data yang diperoleh dari PLN untuk
menentukan fungsi biaya dari masing-masing pembangkit, besarnya daya yang mampu dibangkitkan oleh masing-masing pembangkit.
4. Membuat listing program
Pada tahap ini dilakukan pembuatan kombinasi dari unit-unit pembangkit pada sistem Lampung ke dalam program Matlab dengan memperhatikan
constraint dari masing-masing unit pembangkit, daya permintaan beban,
dan besarnya rugi-rugi transmisi pada jaringan 150 kV. Dalam pembuatan listing
program Matlab ini menggunakan algoritma PSO dengan tahapannya sebagai berikut :
a. Menentukan ukuran swarm populasi dan menentukan nilai awal dari
masing-masing partikel secara acak random. b.
Mengevaluasi nilai fungsi tujuan untuk setiap partikel. c.
Menentukan kecepatan atau velocity mula-mula. d.
Menghitung Pbest dan Gbest mula-mula. e.
Menghitung kecepatan pada iterasi berikutnya dengan persamaan di bawah ini :
3.1 Dengan,
3.2 Ket.
i = iterasi ; j = 1,2,3,. . .,N ; r
1
dan r
2
adalah bilangan random ; θ
max
dan θ
min
adalah random. f.
Menentukan posisi partikel pada iterasi berikutnya menggunakan persamaan di bawah ini :
3.3 g.
Mengevaluasi nilai fungsi tujuan pada iterasi selanjutnya.
h. Memperbarui nilai Pbest dan Gbest.
i. Mengecek apakah solusi sudah optimal atau belum. Bila sudah optimal,
maka proses algoritma berhenti. Namun, bila belum optimal, kembali ke langkah e.
5. Menjalankan program simulasi
Pada tahap ini dilakukan simulasi dari program kombinasi unit-unit pembangkit yang sudah dibuat dalam program Matlab dengan nilai input-
nya berupa besarnya daya permintaan beban P
demand
dan output-nya adalah besarnya daya yang dihasilkan oleh masing-masing unit
pembangkit yang bekerja dalam range yang berbeda. Apabila nilai Gbest tidak berubah dalam sejumlah iterasi maksimum, maka nilai Gbest tersebut
merupakan nilai solusi optimal dengan biaya minimum dari simulasi yang dilakukan.
6. Menganalisa hasil yang diperoleh.
Tahapan yang dilakukan pada tahap ini adalah menganalisa hasil output dari simulasi program dan membanding output dari metode PSO dengan
metode pembebanan merata. 7.
Membuat kesimpulan dari hasil penelitian.
