OPTIMASI PENJADWALAN PEMBANGKITAN UNIT THERMAL DENGAN MEMPERHITUNGKAN RUGI-RUGI SALURAN TRANSMISI BERBASIS ALGORITMA BACK PROPAGATION.
OPTIMASI PENJADWALAN PEMBANGKITAN UNIT THERMAL DENGAN MEMPERHITUNGKAN RUGI-RUGI SALURAN TRANSMISI
BERBASIS ALGORITMA BACK PROPAGATION SKRIPSI
diajukan untuk memenuhi sebagian syarat untuk memperoleh gelar Sarjana Teknik Program Studi Tenik Elektro
Oleh : Mohammad Rizqi
E.5051.1005152
PROGRAM STUDI TEKNIK ELEKTRO DEPARTEMEN PENDIDIKAN TEKNIK ELEKTRO FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN
UNIVERSITAS PENDIDIKAN INDONESIA BANDUNG
(2)
OPTIMASI PENJADWALAN PEMBANGKITAN UNIT THERMAL DENGAN MEMPERHITUNGKAN RUGI-RUGI SALURAN TRANSMISI
BERBASIS ALGORITMA BACK PROPAGATION
LEMBAR HAK CIPTA
Oleh : Mohammad Rizqi
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar sarjana pada fakultas pendidikan teknik dan kejuruan
© Mohammad Rizqi 2015 Universitas Pendidikan Indonesia
Mei 2015
Hak cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian, dengan dicetak ulang, difoto copy, atau cara lainnya tanpa ijin dari penulis.
(3)
LEMBAR PENGESAHAN SKRIPSI
Mohammad Rizqi E.5051.1005152
Departemen Pendidikan Teknik Elektro Program Studi Teknik Elektro S-1
OPTIMASI PENJADWALAN PEMBANGKITAN UNIT THERMAL DENGAN MEMPERHITUNGKAN RUGI-RUGI SALURAN TRANSMISI BERBASIS
ALGORITMA BACK PROPAGATION
Menyetujui,
Pembimbing I Pembimbing II
Dr. Jaja Kustija, M.Sc Dr. Hasbullah, S.Pd, MT
NIP. 19591231 198503 1 022 NIP.19740716 200112 1 003
Ketua Departemen PendidikanTeknik Elektro Fakultas Pendidikan Teknologi dan Kejuruan
Universitas Pendidikan Indonesia
Prof. Dr. H. BachtiarHasan, ST, M.SIE. NIP.19551204 198103 1 002
(4)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu ii
ABSTRAK
Dalam pengoperasian sistem tenaga listrik yang terdiri dari beberapa pusat pembangkit listrik, diperlukan suatu koordinasi di dalam penjadwalan besar daya listrik yang dibangkitkan masing-masing pusat pembangkit agar didapatkan suatu pembebanan yang optimal dan lebih ekonomis. Penelitian ini bertujuan untuk melakukan studi penggunaan algoritma back propagation dari jaringan syaraf tiruan dalam penjadwalan optimal pembangkit thermal dengan memperhitungkan rugi – rugi transmisi. Hasil penjadwalan metode ini akan dibandingkan dengan hasil realisasi penjadwalan pembangkit-pembangkit termal dari Pusat Penyaluran dan Pengatur Beban (P3B) PT PLN (Persero) Jawa Bali. Perbandingan ini bertujuan untuk membuktikan apakah metode yang digunakan penulis lebih baik dari penjadwalan yang direalisasi PLN, sehingga ditemukan pula keunggulan dan kelemahan metode back propagation. Setelah dilakukan penelitian, metode ini menghasilkan daya pembangkitan yang lebih optimal, karena besarnya daya yang dihasilkannya sama dengan daya pembangkitan PLN dalam memenuhi permintaan beban yang sama tetapi dengan rugi – rugi transmisi yang lebih kecil dan biaya bahan bakar yang lebih murah. Hasil pembebanan yang optimal akan menghasilkan efisiensi kepada perusahaan listrik sehingga dapat menekan biaya operasional pembangkitan dan tentunya secara tidak langsung akan berdampak pada murahnya biaya produksi listrik Kata kunci: Pembangkit thermal, rugi - rugi transmisi, back propagation
(5)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu iii
ABSTRACT
In the operation of the power system consisting of several electric plant, required a large scheduling coordination within the electric power generated each plant in order to obtain an optimal loading and more economic. This research aims to study the use of back propagation algorithm from artificial neural network in optimal scheduling of thermal unit by calculating losses in transmission line. The result of this scheduling method will be compared with actual results scheduling of thermal power plants of Distribution and Load Control Center (P3B) PT PLN (Persero) Java Bali. This comparison aims to prove whether the method used by the author better than scheduling realized by PLN, so that was also found that the advantages and disadvantages of back propagation method. After doing research, this method produces a more optimal power generation, because the result of load schedulling by back propagation algorithm is same with schedulling realized by PLN to meet load demand but with less transmission losses and production cost. The optimal loading results will generate electricity efficiency of the electric company in order to reduce the operating costs of generation and of course will indirectly impact on the low cost of electricity production
(6)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu vii
DAFTAR ISI
PERNYATAAN... i
ABSTRAK... ii
KATA PENGANTAR... iv
UCAPAN TERIMA KASIH... v
DAFTAR ISI... vii
DAFTAR TABEL... ix
DAFTAR GAMBAR... x
DAFTAR LAMPIRAN... xi
BAB I PENDAHULUAN... 1
1.1 Latar Belakang Penelitian... 1
1.2 Rumusan Masalah Penelitian... 2
1.3 Tujuan Penelitian... 3
1.4 Manfaat Penelitian... 4
1.5 Sistematika Penulisan... 4
BAB II KAJIAN PUSTAKA / LANDASAN TEORITIS... 5
2.1 Operasi Sistem Tenaga Listrik... 5
2.2 Karakteristik Input/Output Pembangkit Listrik Tenaga Termal 5 2.3 Economic Dispatch... 7
2.4 Unit Commitment... 9
2.5 Optimasi Termal dengan Metode Langrange Multiplier... 11
2.6 Algoritma backpropagation... 18
2.6.1.Arsitektur Jaringan... 19
2.6.2 Fungsi aktifasi... 19
2.6.3 Pelatihan standar back propagation... 20
BAB III METODE PENELITIAN... 24
3.1 Pengumpulan Data Pembangkit... 24
(7)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu viii
3.3 Penjadwalan Pembangkit Thermal dengan algoritma back
propagation... 31
BAB IV TEMUAN DAN PEMBAHASAN... 34
4.1 Data Sistem Interkoneksi 500 kV jawa bali... 34
4.2 Pembebanan dengan Rugi-Rugi Transmisi... 35
4.3 Perolehan Fungsi Biaya Bahan Bakar Unit Thermal... 38
4.4 Penjadwalan Optimal Pembangkit Menggunakan Algoritma bakpropagation... 40
4.5. Hasil Optimasi Penjadwalan Pembangkit Termal Dengan Memperhitungkan Rugi Transmisi Menggunakan Metode Back Propagation... 42 BAB V SIMPULAN, IMPLIKASI DAN REKOMENDASI... 44
5.1 Simpulan... 44
5.2 Implikasi dan Rekomendasi... 45
DAFTAR PUSTAKA... 46 LAMPIRAN
RIWAYAT HIDUP PENULIS
(8)
1
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian
Pada masa modern seperti sekarang ini, Indonesia negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan tentunya memiliki tingkat kebutuhan akan sumber energi listrik yang besar pula. Terutama di negara berkembang seperti Indonesia, biaya bahan bakar merupakan faktor utama dalam perencanaan, pengoperasian, dan pengontrolan sistem tenaga listrik. Dengan kebutuhan energi listrik yang terus bertambah, maka dibutuhkan sistem tenaga listrik dengan beberapa pembangkit listrik yang saling
interkoneksi untuk dapat memenuhi akan kebutuhan tersebut.
Dalam pengoperasian sistem tenaga listrik yang terdiri dari beberapa pusat pembangkit listik, diperlukan suatu koordinasi di dalam penjadwalan besar daya listrik yang dibangkitkan masing-masing pusat pembangkit agar didapatkan suatu pembebanan yang optimal dan lebih ekonomis. Hal ini berarti dalam pembangkitan dan penyaluran energi itu harus dilakukan secara ekonomis dan rasional (Saadat, 1999).
Terdapat dua permasalahan yang harus dipecahkan dalam operasi ekonomis pembangkitan pada sistem tenaga listrik yaitu pengaturan unit pembangkit (unit commitment) dan penjadwalan ekonomis (economic dispatch). Unit commitment bertujuan menentukan unit pembangkit yang paling optimum dioperasikan dalam menghadapi beban yang diberikan untuk mencapai biaya bahan bakar minimum . Sedangkan economic dispatch digunakan untuk membagi beban di antara unit-unit thermal yang beroperasi agar dicapai biaya bahan bakar yang minimum (Mohatram & Kumar, 2006).
Ada beberapa metode baik deterministic maupun undeterministic yang dapat digunakan untuk menyelesaikan permasalahan penjadwalan pembangkit yang ekonomis. Pendekatan deterministic berdasarkan matematika teknik sedangkan pendekatan undeterministic bersifat heuristik menggunakan teknik
(9)
2
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
probabilitas. Solusi deterministic di antaranya adalah metoda Lagrange relaxation
(Luh, Wang, & Zhao, 1999), metode Lagrange multiplier (Dike, Adinfono, & Ogu, 2013), metode Dynamic programming (Pang & Chen, 1976). Sedangkan solusi undeterministic berdasarkan pendekatan heuristik di antaranya adalah Fuzzy logic
(Abu-jasser, 2011), simulated annealing (Wong & Fung, 1993), particle swarm
optimation (Kanata, Sarjiya, & Pramono Hadi, 2013), dan masih banyak metode
lain yang dikembangkan oleh para pakar dalam bidang kelistrikan seperti metode jaringan saraf tiruan (artificial neural network). Dalam beberapa tahun terakhir ini metode optimasi dengan menggunakan jaringan saraf tiruan menjadi sangat penting dalam menyelesaikan permasalahan-permasalahan dalam sistem tenaga listrik, antara lain penjadwalan unit-unit pembangkit (unit commitment), alokasi pembebanan ekonomis (economic load dispatch), peramalan beban (load
forecasting), dsb (Haque & Kashtiban, 2007).
Pada Tugas Akhir Skripsi ini, penulis mencoba menggunakan metode jaringan saraf tiruan (JST) untuk optimasi penjadwalan pembangkit unit thermal berbasis algoritma back propagation (BP). Dengan rugi-rugi pada saluran transmisi diperhitungkan (Nagaraja, 2011). Dimana hasil optimasi menggunakan
back propagation akan dibandingkan dengan kondisi riil di lapangan sehingga
dapat menarik kesimpulan metode mana yang dianggap paling optimal untuk menghasilkan optimasi yang baik. Dengan demikian tingkat ekonomis pembangkitan yang tinggi dalam suatu sistem tenaga listrik dapat tercapai.
1.2. Rumusan Masalah Penelitian
Masalah yang akan dibahas Skripsi ini adalah optimasi penjadwalan unit thermal dengan memperhitungkan rugi – rugi saluran transmisi menggunakan algoritma back propagation. Maka penulis merumuskan beberapa rumusan masalah sebagai berikut :
1. Bagaimana cara mendapatkan fungsi biaya bahan bakar pembangkit? 2. Bagaimana penjadwalan optimal pembangkit unit thermal dengan
(10)
3
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3. Bagaimana perbandingan biaya (cost) dan rugi (losses) dalam hasil penjadwalan optimal pembangkit unit thermal antara algoritma back
propagation dengan data riil sistem PLN ?
Berdasarkan pada rumusan masalah tersebut, penulis memberi batasan-batasan agar pembahasan masalah penelitian tidak melebar, seperti terpapar di bawah ini:
1. Data yang digunakan untuk penjadwalan optimal pembangkit unit thermal adalah menggunakan data dari Penyaluran dan Pusat Pengaturan Beban (P3B) PT. PLN (Persero) jawa-bali.
2. Pembangkit yang digunakan adalah unit thermal sebanyak 6 pembangkit yaitu suralaya, Muaratawar, Tanjung Jati, Gresik, Paiton, dan Grati.
3. Algoritma JST yang digunakan adalah algoritma backpropagation (BP). 4. Software pendukung untuk merancang program digunakan MATLAB ver.
R2010a dari The MathWorks, Inc.
1.3. Tujuan Penulisan
Tujuan penulisan Skripsi ini adalah sebagai berikut :
1. Mengetahui proses mendapatkan fungsi biaya bahan bakar pembangkit? 2. Mengetahui penjadwalan optimal pembangkit unit thermal dengan
memperhitungkan rugi-rugi saluran transmisi menggunakan algoritma
back propagation?.
3. Membandingkan hasil biaya (cost) dan rugi (losses) di dalam hasil optimasi penjadwalan pembangkit unit thermal antara algoritma back
(11)
4
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
1.4. Manfaat penelitian
Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut:
1. Melalui penerapan algoritma back propagation didapatkan penjadwalan pembangkit thermal system 500 KV Jawa-Bali yang optimal sehingga biaya operasi dapat minimum.
2. Penelitian ini diharapkan dapat mempermudah perusahaan pembangkitan tenaga listrik dalam melakukan penjadwalan pembangkit, baik untuk jangka pendek, jangka menengah maupun jangka panjang.
1.5. Struktur organisasi skripsi
Penyajian sistematika penulisan yang tersusun pada skripsi ini adalah seperti di bawah ini:
1. BAB I PENDAHULUAN
Bab ini berisi tentang latar belakang penelitian, rumusan masalah penelitian, tujuan penelitian dan manfaat penelitian.
2. BAB II KAJIAN PUSTAKA
Bab ini berisi tentang konsep-konsep, teori-teori dan model-model dalam bidang yang dikaji serta penelitian terdahulu yang relevan dengan bidang yang diteliti.
3. BAB III METODE PENELITIAN
Metode pembuatan model, data-data riil di lapangan, mengemukakan mengenai pembuatan penjadwalan pembangkit termal dengan kekangan rugi - rugi saluran transmisi, dan algoritma metode back propagation .
4. BAB IV TEMUAN DAN PEMBAHASAN
Bab ini berisi tentang pengolahan atau analisis data dan pembahasan atau analisis temuan.
5. BAB V SIMPULAN, IMPLIKASI DAN REKOMENDASI
analisis temuan penelitian sekaligus mengajukan hal-hal penting yang dapat dimanfaatkan dari hasil penelitian tersebut.
(12)
24
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB III
METODE PENELITIAN
3.1. Pengumpulan Data Pembangkit Suralaya Kembangan Balaraja Gandul Cilegon Cibinong Bekasi Cawang Muaratawar Depok Tasikmalaya Pedan Kediri Tanjung Jati Paiton Saguling Cirata Cibatu Ungaran Gresik Ngimbang Mandirancan Bandung Selatan Grati Surabaya Barat 1 2 4 6 5 3 7 8 9 10 11 12 14 15 16 13 17 18
19 20 21
22 23 24
25
Gambar 3.1. Pemodelan Sistem Interkoneksi 500 KV Jawa-Bali
Data yang digunakan dalam menentukan koordinasi pembangkit adalah data heat rate pembangkit thermal sistem 500kV Jawa-Bali dan data pembebanan (Logsheet) pada tanggal 7 mei 2013. Data-data tersebut akan dijadikan variabel input untuk pengujian algoritma BP untuk optimasi dalam koordinasi pembangkitan unit thermal dengan menggunakan perangkat lunak MATLAB R2010a.
(13)
25
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Tabel 3.1 Data heat rate pembangkit thermal sistem 500kV
Pembangkit Daya Pembangkitan (MW) Heat Rate (Mbtu/kWh)
1 2 3 4 1 2 3 4
Suralaya 1703 2221 2561 3247 76,49 74,49 73,45 71,79
Muaratawar 666 826 993 1140 112,58 112,25 100,78 98,18
Tanjungjati 1227 1525 1812,8 1982,8 28,8 28,48 28,19 27,97
Gresik 1061 1355 1675 1993 224.04 222.57 221,87 221,26
Paiton 2071,5 2792,5 3358,75 4005 76,16 73,01 70,84 68,89
Grati 330 402 527 746,6 105,51 95,37 92,91 91,10
Tabel 3.2 Data biaya bahan bakar masing-masing pembangkit Pembangkit Biaya Bahan bakar ($/Jam)
Suralaya 296,1916
Muaratawar 475,3932
Tanjungjati 158,4425
Gresik 323,4908
Paiton 333,3285
Grati 335,2737
Tabel 3.1 merupakan data heat reat (laju panas) pembangkit thermal sistem 500 KV Jawa-Bali. Setiap unit pembangkit terdiri dari empat titik heat rate yang diperoleh dari hasil percobaan. Apabila data tersebut didekati dengan fungsi polynomial maka akan diperoleh persamaan laju panas dari pembangkit thermal dalam MMbtu/h. Perkalian persaman laju panas dengan biaya bahan bakar akan menghasilkan persamaan baru yang menggambarkan karakteristik biaya bahan bakar pembangkit thermal. Tabel 3.2 merupakan harga biaya bahan bakar dari masing-masing pembangkit ($/jam). Untuk mendapatkan biaya bahan bakar pembangkit yang akan dikalikan dengan persamaan laju panas dapat digunakan rumus berikut ini :
(14)
26
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
FC = (3-1)
Dimana :
FC : Biaya bahan bakar ($/MMbtu) BB : Biaya bahan bakar ($/jam)
Q : Hasil kali antara heat rate dengan daya pembangkitan (MWbtu/Wh) Tabel 3.3 Biaya bahan bakar masing-masing pembangkit ($/MMbtu)
Pembangkit Biaya bahan bakar
($/MMbtu)
Suralaya 0,4131
Muaratawar 1,25199
Tanjungjati 0,854832
Gresik 0,2392
Paiton 0,3807
Grati 1,7632
Salah satu tujuan dari operasi sistem tenaga listrik yaitu sistem harus mempunyai keandalan yang memenuhi standar dan dapat memenuhi permintaan secara continue sepanjang waktu, maka dalam mengoperasikan pembangkit listrik haruslah memperhatikan batas-batas dari pembangkit tersebut agar sistem tetap dalam keadaan stabil. Salah satu batas-batas yang harus diperhatikan dalam mengoperasikan pembangkit listrik adalah batas daya minimum dan daya maksimum yang dimiliki oleh pembangkit tersebut, yang berarti bahwa suatu pembangkit listrik tidak dapat dioperasikan dibawah daya minum dan juga diatas daya maksimum dari pembangkit listrik tersebut.
(15)
27
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Tabel 3.4 Batas pengoperasian daya pembangkit
Pembangkit Pmin Pmaks
Suralaya 1600 3400
Muaratawar 600 1400
Tanjungjati 1200 2700
Gresik 900 2100
Paiton 1800 4300
Grati 290 800
Dalam optimasi pada sistem tenaga listrik khususnya pada masalah koordinasi pembangkit, diharuskan mencari kombinasi dari beberapa unit pembangkit dengan biaya yang paling murah tersebut. Salah satu cara untuk mencari biaya termurah tersebut dapat dilakukan dengan membuat urutan prioritas, yang akan merepresentasikan pembangkit-pembangkit dari biaya yang paling murah hingga biaya yang paling mahal. Urutan prioritas diurutkan berdasarkan biaya rata-rata beban maksimum (full load average) yang paling murah. Cara untuk mendapatkan biaya rata-rata yang paling murah dapat dilakukan dengan mengalikan persamaan laju pertambahan biaya bahan bakar (incremental fuel cost) masing-masing unit pembangkit dengan daya maksimum dari pembangkit tersebut (Abdellah & Djamel, 2012). Urutan prioritas pembangkit sistem 500kV Jawa-Bali dapat dilihat pada tabel dibawah ini.
Tabel 3.5 Urutan prioritas pembangkit sistem 500kV Jawa-Bali Pembangkit Harga produksi
($/kWh)
Urutan
Suralaya 0,0265871 3
Muaratawar 0,0553004 5
Tanjungjati 0,021724 2
Gresik 0,0523438 4
Paiton 0,0216168 1
(16)
28
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Data uji yang akan digunakan dalam penelitian ini adalah Logsheet pada hari selasa tanggal 7 mei 2013 yang diperoleh dari PT.PLN (Persero) P3B Gandul-Depok, grafik pembebanan pada gari tersebut dapat dilihat pada gambar dibawah ini.
Gambar 3.2 Grafik beban unit thermal sistem 500kV selasa, 7 mei 2013 Beban pembangkit unit thermal sistem 500kV Jawa-Bali terdiri dari 24 jam yang kemudian dibagi menjadi 8 periode, dimana tiap periodenya merupakan beban rata-rata selama 3 jam. Dari grafik beban tersebut dapat dilihat bahwa beban berubah-ubah tiap periodenya, oleh sebab itu diperlukan koordinasi dari pembangkit unit thermal untuk mensuplai kebutuhan daya tetapi dengan harga minimum. Data riil sistem dapat dilihat pada tabel dibawah ini yang merupakan pembebanan pembangkit unit thermal yang dimana pembebanan tersebut telah dibagi kedalam 8 periode.
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
(17)
29
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Menghitung incremental
fuel cost
Mulai
Menghitung konstanta a, b, dan c
Membentuk karakteristik I/O
Baca
Tabel 3.6 Penjadwalan pembangkit unit thermal sistem500kV sebelum optimasi
Pukul Suralaya M.
Tawar T. Jati Gresik Paiton Grati total
01-03 2985 926 2416 1327 2915 392 10961
04-06 2996 992 2216 1393 2863 394 10854
07-09 2978 1214 2225 1422 3009 406 11254
10-12 2974 1338 2358 1584 2980 403 11637
13-15 2866 1307 2370 1493 3008 401 11445
16-18 2903 1075 2544 1335 3055 402 11314
19-21 3005 1317 2631 1536 3056 414 11959
22-24 2950 956 2550 1420 3060 407 11343
3.2. Tahap Perhitungan Fungsi Bahan Bakar
Dalam penjadwalan pembangkit termal dengan metode BP diperlukan penentuan persamaan biaya bahan bakar terlebih dahulu yang diperoleh dengan mengolah data heat rate dari masing-masing unit pembangkit. Di bawah ini adalah tahapan-tahapan untuk menentukan persamaan biaya bahan bakar (Harun, 2011) :
(18)
30
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Keluaran fungsi biaya bahan
Menghitung fungsi biaya bahan bakar / persamaan incremental fuel cost unit pembangkit termal Fi(Pit) = ai + bi Pit + ci Pit
2
x incremental fuel cost
Selesai
Gambar 3.2 flow chart perhitungan fungsi bahan bakar 1. Membaca data heat rate pembangkit pada tabel 3.1
2. Menghitung konstanta α, ,dan input/output dari tiap unit pembangkitdengan mengolah data heat rate dan daya pembangkit dan membentuk matriks seperti dibawah ini :
n n n
2
i i i
i 1 i 1 i 1
n n n n
2 3
i i i i i
i 1 i 1 i 1 i 1
n n n n
2 3 4 2
i i i i i
i 1 i 1
1
i 1 i 1
n P P F
P P P P F
P P P P F
a b c
(3-2) Dimana :n = Jumlah data daya (4)
∑ = Jumlah daya output
∑ = Jumlah dari hasil kali daya output dengan heat rate A
(19)
31
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Penentuan parameter αi , Pi , i dapat ditemukan dengan cara eliminasi
3. Membuat persamaan input/output dari konstanta α, ,dan
4. Menghitung persamaan biaya bahan bakar dari masing-masing pembangkit dengan perkalian antara persamaan input/output pembangkit dengan harga biaya bahan bakar pembangkit.
Persamaan biaya bahan bakar Fi(Pi) = αi+ Pi+ i2 (3-3)
3.3. Penjadwalan Pembangkit Thermal dengan algoritma back propagation
Dalam algoritma penjadwalan pembangkit termal dengan kekangan transmisi menggunakan metode back propagation harus terlebih dahulu menentukan data yang digunakan sebagai data training yang digunakan sebagai data pembanding sehingga dapat dihasilkan keluaran dengan error yang terkecil (Mohatram & Kumar, 2006).
Berikut ini adalah diagram alir (flow chart) yang digunakan dalam penjadwalan unit thermal menggunakan algoritma back propagation :
Mulai
Tentukan state awal, Hitung pembebanan dengan lamda, Hitung Total Cost
(TCi) dan simpan sebagai data training
Membangun Jaringan syaraf tiruan dengan
menggunakan algoritma BP
Inisialisasi persamaan biaya bahan bakar, batas operasional pembangkit dan permintaan daya
(20)
32
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Tidak Ya
kT n T n
i ii t i it
2 k t 1 i 1 t t 1 i 1
i t ii t c B b P
λ 2 c λ B
Gambar 3.3 Flowchart Algoritma Back Propagation Penjadwalan Pembangkit Termal
1. Menentukan kombinasi awal pembangkit
2. Menghitung pembebanan unit pembangkit dengan lamda dan dengan kekangan:
1
n
PiPdPl
(3-4) (3-5) Menentukan maksimum epoh , learning ratedan target error
Tetapkan bobot
Hitung Prediksi Error
Error
≤0.0005
Masukkan hasil dari algoritma BP ke permaan
losses
Selesai A
(21)
33
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3. Evaluasi pembebanan unit pembangkit dengan persamaan kekangan
untuk Pimin < Pi < Pimax
λ untuk Pi = Pmax
λ untuk Pi = Pmin 4. Hitung total biaya kombinasi FT =
1 [
n
t t i i i
u Fi P
] (3-6) 5. Simpan kombinasi dan pembebanan unit pembangkit tersebut sebagaiData training
6. Masukan data permintaan beban dan batas minimum dan maksimum generator sebagai input dari jaringan BP.
7. Menentukan parameter-parameter untuk pelatihan jaringan BP diantaranya adalah parameter maximum pelatihan (max epochs), parameter kinerja tujuan (target error), parameter learning rate, dan parameter momentum yang fungsinya akan memperbaiki bobot-bobot jaringan.
8. Simulasi jaringan dilakukan untuk mengetahui error dan unjuk kerja. Gunakan perintah sim untuk melakukan simulasi jaringan sehingga dapat ditemukan outputnya.
9. Analisis hasil pelatihan menggunakan fungsi postreg sehingga dapat dievaluasi hasil pelatihannya.
10.Hitung Rugi transmisi yang terjadi dengan memasukan hasil dari pembebanan menggunakan algoritma BP ke persamaan losses sehingga dapat diketahui rugi transmisi yang terjadi dengan menggunakan persamaan (Nagaraja, 2011):
PLt =
T n n T n
it ij t jt 0i t it 00 t
t 1 i 1 j 1 t 1 i 1
P B
P
B
P B
(22)
44
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB V
SIMPULAN, IMPLIKASI DAN REKOMENDASI
5.1 Simpulan
Berdasarkan penelitian skripsi yang telah dilakukan oleh penulis, didapat beberapa kesimpulan sebagai berikut:
1. Dengan mengolah data heat rate mengolah data heat rate pembangkit menggunakan pendekatan fungsi polynomial akan didapatkan hasil karateristik input/output bahan bakar, dan jika hasil yang didapat dikalikan dengan biaya bahan bakar maka akan didapatkan fungsi biaya bahan bakar pembangkit thermal 500 sistem jawa – bali.
2. Dalam penjadwalan optimal dengan menggunakan algoritma back propagation harus menentukan nilai learning rate , maksimum epoch , jumlah hidden layer dan fungsi aktifasi yang digunakan sehingga didapatkan hasil yang optimal.
3. Biaya bahan bakar yang dikeluarkan pada allgoritma BP lebih murah 7,84 % atau sebesar US$ 321.263 dari biaya bahan bakar yang digunakan PLN. Dan rugi – rugi yang dihasilkan menggunakan algoritma BP juga lebih kecil walaupun menghasilkan daya pembangkitan Pit yang sama dengan data riil PLN dengan selisih 21% atau sebesar 428 MW.
5.2 Implikasi dan Rekomendasi
Di bawah ini merupakan beberapa saran penulis terhadap penelitian skripsi ini:
1. Penggunaan algoritma BP pada penjadwalan pembangkit termal yang memperhitungkan rugi – rugi transmisi dapat digunakan sebagai alternatif dalam penjadwalan optimal pada sub sistem Jawa Bali yang memiliki kapasitas operasi yang besar.
2. Kelemahan algoritma BP adala dibutuhkannya data training yang digunakan sebagai data pembanding, dimana dalam pemilihan data
(23)
45
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
training harus berhati – hati karena akan mempengaruhi hasil
penjadwalan.
3. Algoritma BP dapat dikombinasikan dengan metode lain, agar metode yang dikombinasikan dengan algoritma BP ini mungkin dapat menutupi kelemahannya dalam penjadwalan pembangkit.
4. Jenis pembangkit yang dioperasikan diperluas, tidak hanya pembangkit termal saja.
(24)
46
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR RUJUKAN
Abdellah, D., & Djamel, L. (2012). Power System Economic Dispatch Using Traditional and Neural Networks Programs, 3(4), 1–5.
Anireh, V. I. E. (2014). Cost Minimization of Power System Generation Using Artificial Neural Network ( ANN ), 7(1), 49–58.
Chen, P., & Chen, H. (2006). Application of Evolutionary Neural Network to Power System Unit Commitment, 1296–1303.
Dike, D. O., Adinfono, M. I., & Ogu, G. (2013). Economic Dispatch of Generated Power Using Modified Lambda- Iteration Method, 7(1), 49–54.
Gupta, R., Chandra, R., Chaudhary, V., & Saxena, N. (2013). OPTIMAL LOAD DISPATCH USING B- COEEFICIENT, 3(2), 53–56.
Haque, M., & Kashtiban, A. (2007). Application of neural networks in power systems; a review. International Journal of Electrical, Robotics, Electronics
and Comunications Engineering, 1(6), 889 – 893.
Harun, N. (2011). Perancangan Pembangkitan Tenaga Listrik. I.J, N., & D.P, K. (1994). Modern Power System Engineering. TMH.
Kumar, S. S., & Palanisamy, V. (2007). A dynamic programming based fast computation Hopfield neural network for unit commitment and economic dispatch. Electric Power Systems Research, 77, 917–925. doi:10.1016/j.epsr.2006.08.005
Luh, P. B., Wang, Y. W. Y., & Zhao, X. Z. X. (1999). Lagrangian relaxation neural network for unit commitment. IEEE Power Engineering Society. 1999 Winter Meeting (Cat. No.99CH36233), 1, 2–7.
(25)
47
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Mohatram, M., & Kumar. (2006). Application of Artificial Neural Network in Economic Generation Scheduling of Thermal Power Plants. Proceedings of
the National Conference, 8, 1–9.
Pang, C. K., & Chen, H. C. (1976). Optimal short-term thermal unit commitment.
IEEE Transactions on Power Apparatus and Systems, 95(June).
doi:10.1109/T-PAS.1976.32228
Panta, S., & Premrudeepreechacharn, S. (2007). Economic dispatch for power
generation using artificial neural network ICPE’07 conference in Daegu,
Korea. 2007 7th Internatonal Conference on Power Electronics, 558–562. doi:10.1109/ICPE.2007.4692450
Saadat, H., Power System Analysis, Tata McGraw Hill Publishing Company, New Delhi, 2001.3
Shamisi, M. H. Al, Assi, A. H., & Hejase, H. a N. (2011). Using MATLAB to Develop Artificial Neural Network Models for Predicting Global Solar Radiation in Al Ain City – UAE. Engineering Education and Research
Using MATLAB, 219–238.
Siang,J.J., (2005). Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan
MATLAB, Yogyakarta: ANDI.
Stevenson, W., 1984. Analisis Sistem Tenaga Listrik (Edisi Keempat). Jakarta: Erlangga
Yung-Chung Chang, Wei-Tzen Yang, & Chun-Chang Liu. (1994). A new method for calculating loss coefficients [of power systems]. IEEE Transactions on
(1)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Tidak Ya
kT n T n
i ii t i it
2 k t 1 i 1 t t 1 i 1
i t ii t
c B b
P
λ 2 c λ B
Gambar 3.3 Flowchart Algoritma Back Propagation Penjadwalan Pembangkit Termal
1. Menentukan kombinasi awal pembangkit
2. Menghitung pembebanan unit pembangkit dengan lamda dan dengan kekangan:
1 n
PiPdPl
(3-4) (3-5) Menentukan maksimum epoh , learning ratedan target error
Tetapkan bobot
Hitung Prediksi Error
Error
≤0.0005
Masukkan hasil dari algoritma BP ke permaan
losses
Selesai A
(2)
Mohammad Rizqi, 2015
3. Evaluasi pembebanan unit pembangkit dengan persamaan kekangan
untuk Pimin < Pi < Pimax
λ untuk Pi = Pmax
λ untuk Pi = Pmin 4. Hitung total biaya kombinasi FT =
1
[
n
t t
i i
i
u Fi P
] (3-6) 5. Simpan kombinasi dan pembebanan unit pembangkit tersebut sebagaiData training
6. Masukan data permintaan beban dan batas minimum dan maksimum generator sebagai input dari jaringan BP.
7. Menentukan parameter-parameter untuk pelatihan jaringan BP diantaranya adalah parameter maximum pelatihan (max epochs), parameter kinerja tujuan (target error), parameter learning rate, dan parameter momentum yang fungsinya akan memperbaiki bobot-bobot jaringan.
8. Simulasi jaringan dilakukan untuk mengetahui error dan unjuk kerja. Gunakan perintah sim untuk melakukan simulasi jaringan sehingga dapat ditemukan outputnya.
9. Analisis hasil pelatihan menggunakan fungsi postreg sehingga dapat dievaluasi hasil pelatihannya.
10.Hitung Rugi transmisi yang terjadi dengan memasukan hasil dari pembebanan menggunakan algoritma BP ke persamaan losses sehingga dapat diketahui rugi transmisi yang terjadi dengan menggunakan persamaan (Nagaraja, 2011):
PLt =
T n n T n
it ij t jt 0i t it 00 t t 1 i 1 j 1 t 1 i 1
P B
P
B
P B
(3)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB V
SIMPULAN, IMPLIKASI DAN REKOMENDASI
5.1 Simpulan
Berdasarkan penelitian skripsi yang telah dilakukan oleh penulis, didapat beberapa kesimpulan sebagai berikut:
1. Dengan mengolah data heat rate mengolah data heat rate pembangkit menggunakan pendekatan fungsi polynomial akan didapatkan hasil karateristik input/output bahan bakar, dan jika hasil yang didapat dikalikan dengan biaya bahan bakar maka akan didapatkan fungsi biaya bahan bakar pembangkit thermal 500 sistem jawa – bali.
2. Dalam penjadwalan optimal dengan menggunakan algoritma back propagation harus menentukan nilai learning rate , maksimum epoch , jumlah hidden layer dan fungsi aktifasi yang digunakan sehingga didapatkan hasil yang optimal.
3. Biaya bahan bakar yang dikeluarkan pada allgoritma BP lebih murah 7,84 % atau sebesar US$ 321.263 dari biaya bahan bakar yang digunakan PLN. Dan rugi – rugi yang dihasilkan menggunakan algoritma BP juga lebih kecil walaupun menghasilkan daya pembangkitan Pit yang sama dengan data riil PLN dengan selisih 21%
atau sebesar 428 MW.
5.2 Implikasi dan Rekomendasi
Di bawah ini merupakan beberapa saran penulis terhadap penelitian skripsi ini:
1. Penggunaan algoritma BP pada penjadwalan pembangkit termal yang memperhitungkan rugi – rugi transmisi dapat digunakan sebagai alternatif dalam penjadwalan optimal pada sub sistem Jawa Bali yang memiliki kapasitas operasi yang besar.
2. Kelemahan algoritma BP adala dibutuhkannya data training yang digunakan sebagai data pembanding, dimana dalam pemilihan data
(4)
training harus berhati – hati karena akan mempengaruhi hasil penjadwalan.
3. Algoritma BP dapat dikombinasikan dengan metode lain, agar metode yang dikombinasikan dengan algoritma BP ini mungkin dapat menutupi kelemahannya dalam penjadwalan pembangkit.
4. Jenis pembangkit yang dioperasikan diperluas, tidak hanya pembangkit termal saja.
(5)
Mohammad Rizqi, 2015
Optimasi Penjadwalan Pembangkitan Unit Thermal Dengan Memperhitungkan Rugi-Rugi Saluran Transmisi Berbasis Algoritma Back Propagation
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR RUJUKAN
Abdellah, D., & Djamel, L. (2012). Power System Economic Dispatch Using Traditional and Neural Networks Programs, 3(4), 1–5.
Anireh, V. I. E. (2014). Cost Minimization of Power System Generation Using Artificial Neural Network ( ANN ), 7(1), 49–58.
Chen, P., & Chen, H. (2006). Application of Evolutionary Neural Network to Power System Unit Commitment, 1296–1303.
Dike, D. O., Adinfono, M. I., & Ogu, G. (2013). Economic Dispatch of Generated Power Using Modified Lambda- Iteration Method, 7(1), 49–54.
Gupta, R., Chandra, R., Chaudhary, V., & Saxena, N. (2013). OPTIMAL LOAD DISPATCH USING B- COEEFICIENT, 3(2), 53–56.
Haque, M., & Kashtiban, A. (2007). Application of neural networks in power systems; a review. International Journal of Electrical, Robotics, Electronics and Comunications Engineering, 1(6), 889 – 893.
Harun, N. (2011). Perancangan Pembangkitan Tenaga Listrik. I.J, N., & D.P, K. (1994). Modern Power System Engineering. TMH.
Kumar, S. S., & Palanisamy, V. (2007). A dynamic programming based fast computation Hopfield neural network for unit commitment and economic dispatch. Electric Power Systems Research, 77, 917–925. doi:10.1016/j.epsr.2006.08.005
Luh, P. B., Wang, Y. W. Y., & Zhao, X. Z. X. (1999). Lagrangian relaxation neural network for unit commitment. IEEE Power Engineering Society. 1999 Winter Meeting (Cat. No.99CH36233), 1, 2–7.
(6)
Mohatram, M., & Kumar. (2006). Application of Artificial Neural Network in Economic Generation Scheduling of Thermal Power Plants. Proceedings of the National Conference, 8, 1–9.
Pang, C. K., & Chen, H. C. (1976). Optimal short-term thermal unit commitment. IEEE Transactions on Power Apparatus and Systems, 95(June). doi:10.1109/T-PAS.1976.32228
Panta, S., & Premrudeepreechacharn, S. (2007). Economic dispatch for power
generation using artificial neural network ICPE’07 conference in Daegu,
Korea. 2007 7th Internatonal Conference on Power Electronics, 558–562. doi:10.1109/ICPE.2007.4692450
Saadat, H., Power System Analysis, Tata McGraw Hill Publishing Company, New Delhi, 2001.3
Shamisi, M. H. Al, Assi, A. H., & Hejase, H. a N. (2011). Using MATLAB to Develop Artificial Neural Network Models for Predicting Global Solar Radiation in Al Ain City – UAE. Engineering Education and Research Using MATLAB, 219–238.
Siang,J.J., (2005). Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan MATLAB, Yogyakarta: ANDI.
Stevenson, W., 1984. Analisis Sistem Tenaga Listrik (Edisi Keempat). Jakarta: Erlangga
Yung-Chung Chang, Wei-Tzen Yang, & Chun-Chang Liu. (1994). A new method for calculating loss coefficients [of power systems]. IEEE Transactions on Power Systems, 9(3), 1665–1671. doi:10.1109/59.336090