Desain Wide Area Monitoring Pada Sistem

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/261474399

Desain Wide Area Monitoring Pada Sistem Tenaga Listrik Menggunakan Least
Square Support Vector Regression
Article · April 2012
READS

CITATION

1

278

3 authors:
Muhammad Abdillah

Adi Soeprijanto

67 PUBLICATIONS   89 CITATIONS   

166 PUBLICATIONS   439 CITATIONS   

Universitas pertamina
SEE PROFILE

Institut Teknologi Sepuluh Nopember
SEE PROFILE

Mauridhi Hery Purnomo

Institut Teknologi Sepuluh Nopember
331 PUBLICATIONS   714 CITATIONS   
SEE PROFILE

Some of the authors of this publication are also working on these related projects:
Visibility Restoration for Disaster Mitigation of Kelud Volcano View project

Scheme of National Research View project

All content following this page was uploaded by Muhammad Abdillah on 10 April 2014.

The user has requested enhancement of the downloaded file.

1

Desain Wide Area Monitoring Pada Sistem Tenaga Listrik
Menggunakan Least Square Support Vector Regression
MUHAMMAD ABDILLAH1), ADI SOEPRIJANTO2), MAURIDHI HERY PURNOMO3)
1,2,3)

Jurusan Teknik Elektro
Institut Teknologi Sepuluh Nopember (ITS)
Kampus ITS, Keputih, Sukolilo, Surabaya, 60111
INDONESIA
1)
abdillah@elect-eng.its.ac.id, 2)adisup@ee.its.ac.id, 3)hery@ee.its.ac.id

Abstrak: - Desain wide area monitoring (WAM) pada sistem tenaga listrik modern merupakan masalah penting
dan menantang untuk enjiner teknik elektro dikarenakan sistem tenaga listrik modern adalah sistem
interkoneksi yang sangat kompleks dan dinamis. Pada paper ini diusulkan desain WAM berbasis Least Square
Support Vector Regression (LS-SVR). Sistem tenaga listrik dua area-empat generator di gunakan sebagai tes

sistem untuk mengevaluasi performansi metode yang diusulkan. Sinyal input yang digunakan oleh WAM
adalah input ke AVR ∆Vri, torsi mekanik ∆Tmi and torsi elektrik ∆Tei dari generator 1 dan 3. Output dari WAM
untuk memprediksi deviasi kecepatan sudut generator 1 dan 3. WAM digunakan untuk memprediksi deviasi
kecepatan sudut generator 1 dan 3 dikarenakan kedua generator tersebut menyebabkan osilasi inter-area pada
sistem tenaga listrik dua area-empat generator. Kriteria mean square error (MSE), mean absolute error (MAE)
dan sum squared error (SSE) digunakan untuk mengetahui keakuratan hasil prediksi metode yang diusulkan.
Hasil simulasi menunjukkan bahwa metode yang diusulkan dapat memprediksi kecepatan sudut generator 1 dan
3 secara efektif dengan nilai MSE yang kecil.
Kata Kunci: - Wide Area Monitoring, Least Square Support Vector Regression, Mean Square Error
Abstract: - Design of wide area monitoring (WAM) in modern power system is important and challenge issues
for electrical engineers since modern power system are highly complex interconnected systems and dynamic.
This paper proposed a design of WAM based Least Square Support Vector Regression (LS-SVR). A two areafour generator power system is used as a test system for evaluating the performance of the proposed method.
The input signals of WAM are input to the AVR ΔVri, mechanical torque ΔTmi and electrical torque ΔTei of
generator 1 and 3. The output signals of WAM are used to predict the speed angles deviations of generator 1
and 3. WAM are used to predict the speed angle deviations of generator 1 and 3 due to both of them generate
inter-area oscillations in a two-area four-generator power system. Mean square error (MSE), mean absolute
error (MAE) and sum squared error (SSE) criterions are used to determine the accuracy of prediction results of
proposed method. Simulation results show that the proposed method can effectively predict the speed angle
deviation of generator 1 and 3 with a small MSE value.
Key-Words: - Wide Area Monitoring, Least Square Support Vector Regression, Mean Square Error

1 Pendahuluan
Sistem tenaga listrik merupakan salah satu sistem
skala besar yang penting, kompleks dan dinamik. Hal
tersebut dikarenakan perkembangan permintaan
beban listrik dan konfigurasi sistem tenaga listrik
yang berubah secara kontinyu seiring pertumbuhan
penduduk yang sangat cepat. Sistem tenaga listrik
harus tetap beroperasi untuk mengirimkan daya listrik
hingga ke konsumen secara kontinyu dalam keadaan
stabil dan handal. Untuk menjaga sisem tenaga listrik
tetap dalam keadaan stabil dan handal maka
diperlukan sebuah sistem monitoring yang dapat
memonitor secara kontinyu perilaku dinamik sistem

tenaga listrik tersebut. Wide area monitoring (WAM)
merupakan sebuah sistem yang dapat didesain untuk
memonitor sistem tenaga listrik skala besar. Dengan
meningkatnya ketersediaan teknologi komputer,
komunikasi dan pengukuran (sebagai contoh adalah

phasor measurement units (PMU) berbasis sistem
global positioning satellite (GPS), maka sangat
memungkinkan untuk mengembangkan teknologi
WAM pada sistem tenaga listrik [1]. Dengan aplikasi
teknologi WAM, sinyal yang diukur di lokasi
terpencil akan tersedia dalam kontrol terpusat [2, 3].
WAM akan menerima informasi/data dari daerah
yang berbeda dalam sistem tenaga listrik berdasarkan

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

2

Gambar 1. Model sistem tenaga listrik dua area-empat generator [9]

pada beberapa fungsi tujuan yang telah ditetapkan
untuk memonitor sistem tenaga listrik.
Mendesain WAM membutuhkan pengetahuan
tentang dinamika sistem tenaga listrik secara
keseluruhan bagi desainer. Hal ini dikarenakan sistem

tenaga listrik adalah skala besar, stokastik, dan
kompleks. Metode matematika yang standar tidaklah
cukup untuk mendesain sebuah WAM. Masalah ini
dapat diatasi dengan menggunakan pendekatan
alternatif yaitu desain WAM berbasis teknik
kecerdasan buatan.
Teknik kecerdasan buatan saat ini telah banyak
berkembang pesat dan telah diaplikasikan sebagai
Wide area monitoring (WAM) diantaranya adalah
Artificial Neural Network (ANN) [4], Radial Basis
Function Neural Network [5], dan Cellular Neural
Network [6].
Metode least square support vector machine for
regression (LS-SVR) merupakan versi least square
dari support vector regression (SVR) yang digunakan
untuk klasifikasi dan analisis regresi. Dalam versi ini
sebuah solusi diselesaikan menggunakan persamaan
linear daripada permasalahan convex quadratic
programming (QP) untuk SVR standar. LS-SVR,
diusulkan oleh Suykens dan Vandewalle pada tahun

1999 [7]. LS-SVR merupakan metode pembelajaran
berbasis kernel.
Metode least square support vector machine (LSSVR) merupakan salah satu alternatif pilihan yang
sangat bagus digunakan sebagai wide area
monitoring
(WAM).
LS-SVR
merupakan
pengembangan dari metode SVR. Kinerja LS-SVR

lebih baik dibandingkan SVR standar dalam hal
proses perhitungan dan tingkat presisi yang tinggi [8].
Paper ini mempresentasikan sebuah desain WAM
berbasis LS-SVR untuk sistem tenaga listrik dua
area-empat generator. WAM digunakan untuk
memprediksi deviasi kecepatan sudut rotor dari
generator di dua area yakni Generator 1 dan
Generator 3.
Paper ini di organisasikan sebagai berikut, Pada
bab 2 sebuah ikhtisar dari pemodelan sistem tenaga

listrik dan wide area monitoring di diskusikan.
Metode yang diusulkan yakni least square support
vector regression (LS-SVR) di paparkan pada bab 3.
Pada bab 4 di jelaskan tentang implementasi metode
yang diusulkan pada sistem. Hasil simulasi dan
analisis dari metode yang diusulkan di sajikan pada
bab 5. Bab terakhir adalah kesimpulan

2 Model Sistem Tenaga listrik dan
Wide Area Monitoring
Sebuah ikhtisar dari pemodelan sistem tenaga
listrik dan wide area monitoring dijelaskan pada
bagian ini.

2.1 Model Sistem Tenaga Listrik
Model linear dinamik adalah model sistem tenaga
listrik yang digunakan pada penelitian ini. Model
tersebut digunakan untuk menganalisis perilaku
sistem akibat gangguan kecil.
Model linear dinamik sistem tenaga listrik yang di

gunakan pada penelitian ini adalah Kundur Power

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

3

Gambar 2. Model sistem tenaga listrik dua area-empat generator dilengkapi with wide area monitoring

Gambar 3. Diagram blok wide area monitoring
System [9] yang ditunjukkan pada Gambar 1 terdiri
dari dua area yang simetris dan masing-masing area
di suplai oleh 2 generator yang terhubung jaring
double circuit dengan 230kV dan berjarak 220 km.
Generator Thermal digunakan pada sistem ini dengan
rating 20kV/900MVA dan terhubung ke jaring sistem
tenaga listrik melalui trafo. Generator yang terdapat

pada semua area memiliki parameter yang sama,
kecuali untuk nilai inersia H = 6.5s untuk semua
generator di Area 1 dan H = 6.175s untuk semua

generator di Area 2. Beban pada sistem di asumsikan
sebagai impedansi konstan.

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

4

2.2 Wide Area Monitoring

T

Desain sebuah WAM untuk sistem tenaga listrik
pada saat ini sangat memungkinkan dikarenakan
berkembangnya komputer modern, komunikasi dan
teknologi informasi dengan pesat dan dapat
diintegrasikan satu sama lain. Tujuan dari
penggunaan WAM pada sistem tenaga listrik adalah
untuk mengidentifikasi terjadinya gangguan yang
terjadi pada sistem teanaga listrik.
Pada paper ini desain wide area monitoring

(WAM) untuk sistem tenaga listrik dua area berbasis
LS-SVR. Sinyal input WAM adalah input ke AVR
[∆Vr1(k-1), ∆Vr1(k-2), ∆Vr1(k-3), ∆Vr3(k-1), ∆Vr3(k-2),
∆Vr3(k-3)], torsi mekanik [∆Tm1(k-1), ∆Tm1(k-2),
∆Tm1(k-3), ∆Tm3(k-1), ∆Tm3(k-2), ∆Tm3(k-3)], dan torsi
elektrik [∆Te1(k-1), ∆Te1(k-2), ∆Te1(k-3), ∆Te3(k-1),
∆Te3(k-2), ∆Te3(k-3)] dari generator 1 dan 3 di area 1
dan area 2. Sinyal output dari WAM adalah hasil
identifikasi terhadap perubahan kecepatan sudut
generator pada sistem, yang disebut [ ˆ1 ( k ), ˆ 3 ( k )] .
Target pelatihan WAM adalah perubahan kecepatan
sudut generator [ 1 ( k ), 3 ( k )] pada sistem.
Sistem tenaga listrik dua area yang digunakan
pada penelitian ini ditunjukkan pada Gambar 2.
Sedangkan diagram blok untuk input dan output
WAM berbasis LS-SVR terhubung ke sistem selama
proses pelatihan ditunjukkan pada Gambar 3. Sinyalsinyal ini diaplikasikan pada WAM setiap 10 ms,
agar sesuai dengan teknologi Phasor Measurement
Unit (PMU).

3 Least Squares Support Vector
Regression (LS-SVR)
Least squares support vector regression (LS-SVR)
adalah pengembangan metode SVR standar yang
mengarah pada pemecahan linear sistem KarushKuhn-Tucker (KKT). Dalam formulasi LS-SVR,
perhitungan
komputasi
dari
SVR
yang
disederhanakan dengan versi least squares
dibandingkan inequality constraints dan fungsi
objektif penjumlahan kesalahan kuadrat (squared
error) yang digunakan dalam pelatihan jaring saraf
tiruan. Pengembangan ini dapat menyederhanakan
masalah dalam menyelesaikan satu set persamaan
linear dibandingkan menggunakan pemrograman
kuadratik (quadratic programming) dalam metode
SVR.
Diberikan sejumlah N data

y ( x)  w  ( x)  b  ei

xi , yi i 1 , dan output

dari LS-SVR adalah sebagai berikut,

N

(1)
nh

dengan x  R n , y  R dan  (.) : R  R
adalah
pemetaan ke dimensi ruang fitur tinggi.Masalah
optimisasi berikut ini dirumuskan sebagai berikut,
n

min j ( w, e) 
w,b,e

1
2

w w
T

1

N

2

 ei

(2)

2 i 1

dengan yi  w  ( xi )  b  ei , i  1,..., N
Menggunakan aplikasi teori Mercer untuk
matriks kernel Ω dengan
T
ij  K ( xi , x j )   ( xi )  ( x j ), i dan j= 1,…, N (3)
T

tidak diperlukan menghitung secara eksplisit
pemetaan nonlinier  (.) seperti ini dilakukan secara
implisit melalui penggunaan fungsi kernel positif
definit K.
Fungsi Lagrange,
LLS  SVR   ( w, b, e,  ) 
N

1
2

w w 
T

1

N

2

 ei

2 i 1

(4)

   i ( w  ( xi )  b  ei  yi )
T

i 1

dengan  i adalah pengali lagrange, menurunkan
persamaan (4) dengan w,b,ei, dan  i untuk kondisi
optimal dapat digambarkan sebagai berikut,
N
d

 0  w    i ( xi )

i 1
dw

N
d

 0    i  0
i 1
db


d
 0   i   ei , i  1, ..., N

dei

 d
T
 d   0  yi  w  ( xi )  b  ei , i  1,..., N
 i

(5)

dengan mengeliminasi w dan ei didapatkan sistem
linear sebagai berikut

 0 1T   b  0 
 y    1I       y 

   

(6)

dengan y=[y1,…,yN]T,   [ 1 ,...,  N ] . Hasil
model LS-SVR dalam ruang ganda menjadi,
T

N

y ( x )    i K ( x, xi )  b
i 1

(7)

Untuk penelitian ini, Kernel RBF digunakan
dinyatakan sebagai berikut,
K ( x, xi )  e

x  xi
2

2

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

(8)

5

4 Implementasi Squares Support
Vector Regression (LS-SVR) sebagai
Wide Area Monitoring
Dalam bagian ini dipaparkan Least squares
support vector regression (LS-SVR) sebagai wide
area monitoring pada sistem tenaga listrik. Flowchart
dari aplikasi LS-SVR sebagai wide area monitoring
pada sistem tenaga listrik dua area-empat generator
seperti ditunjukkan pada Gambar 4.

aliran daya, reduksi matriks admitansi jaring
dan parameter dinamik mesin digunakan
sebagai data model linear multimesin.
3. Pemilihan parameter LS-SVR sebagai WAM
dengan metode trial and error.
4. Parameter LS-SVR yang telah didapatkan
selama forced training kemudian ditetapkan
dan di lakukan tahap testing dengan gangguan
alami yang terjadi pada sistem tenaga listrik.

5 Hasil dan Analisis
Data simulasi, hasil simulasi dan analisis di
paparkan dalam bagian ini sebagaimana berikut:
5.1 Data Simulasi
Simulasi
pada
penelitian
ini
dilakukan
menggunakan PC Pentium Intel (R) Core (TM) CPU
I3 380M @ 2.5 GHz RAM 2.00 GB. Evaluasi
perfromansi dan keakuratan dari metode yang
diusulkan merupakan tujuan dari simulasi yang
dilakukan. Software MATLAB digunakan untuk
simulasi dan analisis pada paper ini.
Untuk mengevaluasi performansi WAM berbasis
LS-SVR yang diusulkan, sistem tenaga listrik dua
area-empat generator (kundur’s two area power
system) pada Gambar 1 digunakan untuk verifikasi
metode yang diusulkan. Sedangkan Data yang
digunakan pada sistem tersebut yang meliputi data
parameter mesin, governor, sistem eksitasi, trafo dan
beban pada penelitian ini ditunjukkan pada Tabel 1
s/d Tabel 6.
Tabel 1. Data Parameter Mesin
Pembangkit

Jenis

Lokasi

G1
G2
G3
G4

Swing
Generator
Generator
Generator

Bus 1
Bus 2
Bus 3
Bus 4

Daya
Pembangkit
S(MVA)
900
900
900
900

Tabel 2. Parameter Dinamik Mesin
Gambar 4. Flowchart aplikasi LS-SVR sebagai
WAM
Langkah-langkah metode yang diusulkan dari
Gambar 4, adalah sebagai berikut:
1. Input data parameter dari generator, jaring
transmisi, dan beban untuk simulasi, desain
kontroler dan analisis;
2. Dilakukan perhitungan aliran daya (loadflow)
yang dilanjutkan dengan proses reduksi
matriks admitansi jaring. Hasil perhitungan

Pembangkit
G1
G2
G3
G4

Xd
1.8
1.8
1.8
1.8

Xd’
0.3
0.3
0.3
0.3

Xd’’
0.25
0.25
0.25
0.25

Xq
1.7
1.7
1.7
1.7

Xq’
0.55
0.55
0.55
0.55

Xq’’
0.25
0.25
0.25
0.25

Tabel 3. Parameter Governor dan Sistem Eksitasi
Pembangkit
G1
G2
G3
G4

H
(det)
6.5
6.5
6.175
6.175

Kg
(p.u)
20
20
20
20

Tg
(p.u)
2
2
2
2

KA
(p.u)
200
200
200
200

TA
(det)
0.1
0.1
0.1
0.1

Tdo
(det)
8
8
8
8

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

6

Vref

Vt

VR max
E fd

KA
1  TA s

1
1  TR s

VR min
Gambar 5. Diagram blok model fast exciter dengan PRBS
Tabel 4. Parameter Data Saluran
Saluran
Bus 5-Bus 6
Bus 6-Bus 7
Bus 7-Bus 8
Bus 8-Bus 9
Bus 9-Bus 10
Bus 10-Bus 11

R+JX(p.u)
0.0001+j0.001
0.0001+j0.001
0.0001+j0.001
0.0001+j0.001
0.0001+j0.001
0.0001+j0.001

5.2.1 Forced Training

Jarak(Km)
25
10
110
110
10
25

Tabel 5. Trafo
Transformator
Trafo 1-Trafo 4

R+JX(p.u)
0.0+j0.15

Tabel 6. Beban
No

Lokasi

Beban

1
2

Bus 7
Bus 9

L1
L2

P(MW)
967
1767

Daya
Q(MVAR)
187
187

Kriteria mean square error (MSE), mean absolute
error (MAE) dan sum squared error (SSE)
digunakan untuk mengetahui tingkat keakuratan
WAM berbasis LS-SVR sebagaimana ditunjukkan
pada Persamaan (9), Persamaan (10) dan Persamaan
(11),

MSE 
MAE 

1
N
1

N

 (ˆ i ( k )  i ( k ))

2

i 1
N

 ˆ i (t )  i (t )

N i 1
1 N
SSE   ˆi (t )i (t )
N i 1

(9)

(10)
(11)

5.2 Hasil Simulasi dan Analisis
Proses yang dilakukan untuk desain WAM pada
penelitian ini terdiri dari dua tahap pelatihan yaitu:
forced training dan testing. Pseudo Random Binary
Squence (PRBS) diaplikasikan pada sistem eksitasi
generator saat dilakukan forced training pada WAM,
sedangkan testing dilakukan saat WAM diberi
gangguan secara alami seperti perubahan beban, dan
lain-lain.

Pada saat tahap ini, sistem diganggu dengan
injeksi sinyal kecil PRBS (Pseudorandom binary
signa1) [∆Vr1(k-1), ∆Vr1(k-2), ∆Vr1(k-3), ∆Vr3(k-3),
∆Vr3(k-2), ∆Vr3(k-3)] pada Generator G1, dan G3
untuk melatih WAM dengan saklar S1 terhubung
yang menyebabkan deviasi kecepatan rotor pada
Generator di masing-masing area.
PSS pada Generator 1 dan 3 dengan saklar S2 juga
terhubung saat tahap pelatihan ini. Pada Gambar 5
ditunjukkan diagram blok sistem eksitasi yang
dilengkapi dengan PRBS. Nilai PRBS adalah 10%
sesuai batas untuk masukan ke sistem eksitasi. Nilai
PRBS yang diaplikasikan pada Generator 1 dan
Generator 3 di tunjukkan pada Gambar 6 dan 7.
Ketika telah didapatkan parameter LS-SVR yang
sesuai, PRBS di lepas dan forced training di
hentikan.
Deviasi tegangan Vr1 diaplikasikan pada Generator 1 (p.u)

No
1
2
3
4
5
6

0.15
0.1

0.05

0

-0.05

-0.1

-0.15

-0.2

0

0.5

1
Waktu(Detik)

Gambar 6. Sinyal PRBS ∆Vr1 diaplikasikan pada
G1saat tahap forced training

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

1.5

Deviasi tegangan Vr3 diaplikasikan pada Generator 3 (p.u)

7
Deviasi kecepatan rotor aktual dan estimasi
kecepatan rotor yang di prediksi oleh WAM berbasis
LS-SVR untuk Generator 1 dan Generator 3
ditunjukkan pada Gambar 8 dan 9. Dari Gambar 8
dan 9 terlihat jelas bahwa WAM berbasis LS-SVR
mampu memperkirakan penyimpangan kecepatan
rotor dari G1 dan G3 sangat baik. Ini menunjukkan
bahwa WAM telah mempelajari dinamika sistem
dengan baik.

0.15
0.1
0.05
0
-0.05
-0.1

Tabel 7. MSE, MAE, SSE

-0.15

LS-SVR
-0.2

0

0.5

1

MSE
MAE
SSE

1.5

Waktu(Detik)

Gambar 7. Sinyal PRBS ∆Vr3 diaplikasikan pada
G3saat tahap forced training

2.7462e-009
3.6847e-005
1.6483e-005

Tabel 8. Parameter LS-SVR

Estimasi kecepatan sudut rotor G1

Dev ias i k ec epatan s udut rotor G 1 (p.u)

0.01

LS-SVR
Aktual
LS-SVR

0

-0.005

5.2.2 Testing

-0.01

0

5

10

15
Waktu(Detik)

20

25

30

Gambar 8. Deviasi kecepatan sudut rotor G1and
WAM selama tahap forced training
Estimasi kecepatan sudut rotor G3
0.015
Aktual
LS-SVR

Parameter LS-SVR yang digunakan pada tahap
testing adalah parameter LS-SVR yang diperoleh saat
forced training ketika saklar S1 pada Gambar 5
dihubungkan.
Pada tahap ini PRBS yang terhubung melalui
saklar S1 di buka. Gangguan alami sebesar 0.03 p.u
diterapkan ke sistem tenaga listrik dua area pada
tahap ini dengan tujuan untuk mengevaluasi kinerja
dari WAM berbasis LS-SVR.
-3

1

Estimasi kecepatan sudut rotor G1

x 10

0.01
Deviasi kecepatan sudut rotor G1 (p.u)

D ev ias i k ec epatan s udut rotor G 3 (p.u)

1000
5

Berdasarkan Tabel 7 dapat diketahui bahwa
metode LS-SVR memiliki nilai MSE sebesar
2.7462e-009, MAE sebesar 3.6847e-005 dan SSE
sebesar 1.6483e-005 lebih kecil dibandingkan dengan
metode LS-SVR. Parameter yang digunakan oleh LSSVR ditunjukkan pada Tabel 8.

0.005

-0.015

γ
σ

0.005

0

-0.005

-0.01

0

-0.5

-1

-1.5

-2

-0.015

0

5

10

15
Waktu(Detik)

20

25

30

Gambar 9. Deviasi kecepatan sudut rotor G3 and
WAM selama tahap forced training

Aktual
LS-SVR

0.5

0

5

10

15
Waktu(Detik)

20

25

30

Gambar 10. Deviasi dari kecepatan sudut rotor G1
dan WAM selama diberi gangguan

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

8
-4

Deviasi kecepatan sudut rotor G3 (p.u)

2

memprediksi deviasi kecepatan sudut rotor dari dua
generator di dua area yang berbeda. Hasil simulasi
menunjukkan bahwa desain yang diusulkan sangat
menjanjikan untuk memprediksi perilaku dinamik
multimesin pada sistem tenaga listrik dari waktu ke
waktu bahkan ketika terjadi perubahan konfigurasi
pada sistem tenaga listrik.

Estimasi kecepatan sudut rotor G3

x 10

Aktual
LS-SVR

1

0

-1

-2

-3

-4

0

5

10

15
Waktu(Detik)

20

25

30

Gambar 11. Deviasi dari kecepatan sudut rotor G3
dan WAM selama diberi gangguan
Tabel 9. MSE, MAE, SSE
LS-SVR
MSE
MAE
SSE

1.0898e-012
6.3719e-007
6.5410e-009

Hasil simulasi secara keseluruhan dari Gambar 8
– Gambar 11 menunjukkan bahwa WAM berbasis
LS-SVR mampu memprediksi deviasi kecepatan
sudut rotor dari generator G1 dan G3 dengan
perubahan yang terjadi sebesar 0.03 pu pada sistem
tenaga listrik dua area, menyiratkan bahwa forced
training dan testing dilakukan dengan PRBS cukup
untuk melihat semua kemungkinan dinamika sistem
pada sistem tenaga listrik.
Pada Tabel 9 dapat dilihat bahwa metode LSSVR memiliki nilai MSE sebesar 1.0898e-012, MAE
sebesar 6.3719e-007 dan SSE sebesar 6.5410e-009.
Dari ketiga kriteria yang digunakan tersebut dapat
diketahui bahwa nilainya kecil dan menunjukkan
bahwa WAM berbasis LS-SVR mampu memprediksi
deviasi kecepatan sudut rotor kedua generator dengan
baik.

6 Kesimpulan
Metode baru untuk desain wide area monitoring
berbasis least square support vector regression pada
sistem tenaga listrik telah diusulkan pada paper ini.
Wide area monitoring berbasis least square support
vector regression telah berhasil dikembangkan untuk

Referensi:
[1] M. Begovic, D. Novosel, D. Karlsson, C.
Henville, and G. Michel, “Wide-area protection
and emergency control,” Proceedings of the
IEEE, May 2005; 93(5), 876-891.
[2] X. Xie et al, “WAMS application in chinese
power system”, IEEE Power and Energy
Magazine , January 2006; 54–63.
[3] C. Decker, D. Dotta, M. N. Agostini, S. L.
Zimath, and A. S.Silva. “Performance of a
synchronized phasor measurements system in
the Brazilian power system”. In IEEE Power
System Society General Meeting, Montreal,
Canada, 2006.
[4] Xiaomeng Li, Ganesh K. Venayagamoorthy, “A
Neural Network Based Wide Area Monitor for a
Power System”, Power Engineering Society
General Meeting, 2005; 2, 1455–1460.
[5] Wei Qiao, Ganesh K. Venayagamoorthy, and
Ronald G. Harley, “DHP-Based Wide-Area
Coordinating Control of a Power System with a
Large Wind Farm and Multiple FACTS
Devices”, Proceedings of International Joint
Conference on Neural Networks, Orlando,
Florida, USA, August 12-17, 2007; 2093–2098.
[6] Bipul Luitel, Ganesh K. Venayagamoorthy,
“Wide area monitoring in power systems using
cellular neural networks”, IEEE Symposium on
Computational Intelligence Applications In
Smart Grid (CIASG), 2011; 1-8.
[7] Suykens, J.A.K.; Vandewalle, J, "Least squares
support vector machine classifiers", Neural
Processing Letters, 1999; 9 (3), 293-300.
[8] Suykens, J. A. K., Van Gestel, T., De Brabanter,
J., De Moor, B., & Vandewalle, J., Least squares
support vector machines, World Scientific,
2002.
[9] P. Kundur, Power system stability and control,
McGraw-Hill, ISBN 0-07-0355958-X, 1994;
813

JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306

View publication stats