KOORDINASI FUZZY PID AVR OPTIMAL MENGGUN
KOORDINASI FUZZY PID - AVR OPTIMAL MENGGUNAKAN HARMONY
SEARCH ALGORITHM UNTUK MEREDAM OSILASI TEGANGAN PADA
SISTEM TENAGA LISTRIK
Khaerul Humam1, Dr. Ir. Ermanu A.H., MT2, Ir. Nurhadi, MT3
Fakultas Teknik, Jurusan Teknik Elektro, Universitas Muhammadiyah Malang
khaerulhumam@gmail.com1, ermanu_hakim@yahoo.com2, nurhadi@umm.ac.id3
Abstrak
Pada makalah ini nantinya akan membahas tentang mengoptimalkan AVR yang dikoordinasikan dengan
Fuzzy PID untuk meredam osilasi tegangan. Dalam sistem tenaga listrik, perubahan beban sangat mempengaruhi
kondisi operasi sistem. Perubahan beban pada sistem tenaga listrik dapat disebut sebagai gangguan kecil yang
dapat mempengaruhi kestabilan sistem. Perbaikan kestabilan ini dapat dilakukan pemasangan kontroller Fuzzy
PID yang sesuai penalaannya. Model sistem yang digunakan pada tugas akhir ini yaitu Single Machine Infinte
Bus (SMIB).Penentuan parameter yang baik untuk Fuzzy PID juga mempengaruhi kestabilan sistem SMIB,
sehingga perolehan parameter yang sesuai untuk Fuzzy PID ini ditala menggunakan metode Harmony Search
Algorithm (HSA). Dalam penalaan menggunakan HSA terdapat fungsi objektif yaitu Integral of Time Multiplied
by Absolute Value of Error (ITAE) yang berfungsi sebagai pencari nada terbaik. Hasil simulasi dalam
penggunaan Fuzzy PID yang ditala dengan HSA 50 iterasi menunjukkan bahwa respon kestabilan sistem menjadi
lebih baik. Hal ini dapat dilihat dari respon sistem untuk nilai rise time lebih rendah sebesar 2.2473e-004 detik
dibandingkan Fuzzy PID sebelum ditala menggunakan HSA yaitu sebesar 0.0018 detik. Ini menunjukkan bahwa
respon kestabilan sistem menjadi lebih baik. Ketika gangguan step time di ubah menjadi 17 detik, nilai pada rise
time, settling time dan error menjadi lebih besar.
Kata kunci : AVR, Fuzzy Logic, Kontroler PID, SMIB, HSA dan ITAE
Abstract
This paper will discuss about AVR optimizing coordinated with Fuzzy PID to dampen the oscillation
voltage. In power system, the load changes affect the operating system conditions. The load changes on the power
system can be referred to as a small disturbance that can affect the stability of the system. The stability
improvement can be the installation of an appropriate tuning Fuzzy PID controller. The system model used in
this thesis is a Single Machine Infinite Bus (SMIB) .The determination of the good parameter for Fuzzy PID also
affect the stability of SMIB system, so the acquisition of Fuzzy PID parameter are tuned using the Harmony
Search Algorithm (HSA) method. When tuning with HSA the objective functions is Integral of Time Multiplied by
Absolute Value of Error (ITAE) when that function as searching be more good tone. Simulation result in used
Fuzzy PID tuning with HSA 50 iteration shows that stability system response be more good. The things can views
from system response to rise time value more low is 2.2473e-004 second than Fuzzy PID before tuning used HSA
is 0,0018 second. This shows that stability system response be more good. When the time step disturbance
changed to 17 seconds, the value of the rise time, settling time and errors become larger.
Keyword : AVR, Fuzzy Logic, PID controller, SMIB,HAS and ITAE
PENDAHULUAN
koordinasi fuzzy PID untuk meredam osilasi
Latar Belakang
Pada perencanaan dan operasi sistem tenaga
tegangan pada sistem tenaga listrik. Didalam sistem
listrik, kestabilan sistem adalah hal yang sangat
penting. Pada sistem pengaturan modern, eksitasi
memegang peranan penting dalam mengendalikan
kestabilan suatu pembangkit karena apabila terjadi
fluktuasi beban maka eksitasi sebagai pengendali
akan berfungsi mengontrol keluaran generator
seperti tegangan, dan factor daya dengan cara
mengatur kembali besaran-besaran input guna
mencapai titik keseimbangan baru. Bila arus eksitasi
naik maka daya reaktif yang disalurkan generator ke
sistem akan naik sebaliknya bila turun maka daya
reaktif yang disalurkan akan berkurang. Jika arus
eksitasi yang diberikan terlalu kecil, aliran daya
reaktif akan berbalik dari sistem menuju ke
tenaga listrik single machine, perubahan beban
sangat mempengaruhi kondisi operasi sistem.
Perubahan beban pada sistem tenaga listrik dapat
disebut sebagai small disturbance (gangguan kecil)
yang dapat mempengaruhi kestabilan sistem.
Perbaikan
kestabilan
ini
dapat
dilakukan
pemasangan kontroller Fuzzy PID yang sesuai
penalaannya.
Untuk
penalaan
fuzzy
PID
menggunakan metode HSA (Harmony Search
Algorithm). Metode ini merupakan salah satu
algoritma yang terinspirasi dari proses improvisasi
musisi. Dalam HSA, setiap musisi (variabel
keputusan), memainkan (menghasilkan), catatan
(nilai) untuk menemukan semua harmoni terbaik
secara bersama-sama.
generator sehingga generator menyerap daya reaktif
dari sistem. Keadaan ini sangat berbahaya karena
Tujuan
akan menyebabkan pemanasan berlebihan pada
1. Memodelkan Fuzzy PID-AVR yang optimal dan
menerapkannya pada SMIB (Single Machine
stator.
Suatu sistem tenaga listrik dikatakan dalam
infinite Bus).
keadaan stabil apabila seluruh variabel keadaannya
2. Menentukan parameter yang optimal untuk
stabil, baik tegangan bus, sudut generator atau
Fuzzy PID-AVR dengan menggunakan metode
frekuensi sistem. Bila sistem menjadi tidak stabil,
HSA( Harmony Search Algorithm)
maka ketikstabilan tersebut bisa dimanifestasikan
melalui cara-cara berbeda, tergantung pada sifat dari
sistem, kondisi operasi serta pada sifat dan lokasi
yang memulai gangguan. Ketidakstabilan sistem
yang diwujudkan dalam bentuk tegangan di
3. Untuk mendapatkan performansi sistem setelah
dipasangkan kontroler Fuzzy PID-AVR.
PERANCANGAN
Pemodelan Exciter
Model sistem eksitasi dalam pengaturan
beberapa bus turun jauh dibawah kondisi normal dan
memungkinkan terjadi gagal tegangan, maka
peristiwa tersebut bisa dikatakan atau merupakan
fenomena ketidakstabilan tegangan. Suatu sistem
dikatakan dalam kondisi tegangan tidak stabil, bila
terjadi perubahan pada sistem diluar perkiraan.
Oleh karena itu yang akan dibahas dalam
tugas akhir ini nantinya tentang mengoptimalkan
AVR (Automatic Voltage Regulator) dengan
variable output generator mengacu pada model
standart IEEE. Variable ini akan diatur melalui
perubahan fluks medan generator. Diagram blok dari
sistem eksitasi ditampilkan pada gambar 2.1 sebagai
berikut:
Setelah dilinierisasi,
βππ β βππ = π
πβπ
ππ‘
+ π·βπ
(2-7)
Dengan menggunakan transformasi Laplace, maka
diperoleh:
Gambar 1 Diagram blok sistem eksitasi
Dengan mengabaikan efek saturasi, Gambar 2.1
dapat dijabarkan menjadi.
TA βVA = βU2 KA - βVA - βV KA
βπΏ =
π0
π
βπ
(2-8)
βππ β βππ = (π π + π·)βπ
(2-9)
Dari persamaan di atas dapat dibuat diagram blok
(2-1)
elektromekanik sebagai berikut:
βVA = Perubahan tegangan amplifier mesin
Model Linier Dinamika Mesin Sinkron
Suatu generator agar menghasilkan energi listrik,
membutuhkan dua masukan, yang pertama torsi
mekanik turbin (Tm). Torsi ini berfungsi untuk
memutar rotor generator. Yang kedua fluks medan
Gambar 2 Diagram blok elektromekanik
magnet (EFD) yang dihasilkan oleh rangkaian medan,
Pemodelan Konstanta K1 dan K2
melalui lilitas yang tedapat pada rotor. Dengan
Pada subbab ini konstanta K1 dan K2 berhubungan
adanya torsi mekanik, rotor generator berputar
dengan persamaan variabel torsi elektrik (βTe).
dengan dengan energy kinetic 1/2JΟ
Persamaan torsi elektrik dapat dituliskan sebagai
2
joule.
Momentum sudut M=JΟ joule detik, dengan Ο
(radian per-detik) merupakan kecepatan sudut dan J
2
adalah momen inersia (kg-m ).
berikut:
βππ = πΎ1 . βπΏ + πΎ2 . πΈβ²π
(2-10)
Dengan:
Jika generator sinkron dibebani, akan
mengalir arus dari generator ke beban. Selanjutnya
K1 = πΈππ0 πβ πΎπΌ (π π sin(πΏ0 β πΌ) + (ππ +
menimbulkan torsi elektrik (Te) melawan torsi
π β² π ) cos(πΏ0 β πΌ)) + πΎπΌ πβ πΌπ0 (ππ β πβ²π ((ππ +
mekanik. Persamaan torsi mekanik dan elektris
Dengan:
dapat diturunkan sebagai berikut:
πΎπΌ =
arus ini menghasilkan fluks pada stator dan
ππ β ππ = π½
ππ
ππ‘
+ ππ
(2-2)
Sedangkan persamaan torsi dasarnya
ππ =
ππ
ππ
β
ππ
ππ
ππ
; ππ = ππ
=π½
ππ
ππ ππβππ
ππ
ππ β ππ = π
Dimana:
ππ‘
ππ
ππ‘
+ π·π
ππ π
ππ ππ
1
π π2 +(ππ +ππ )(π β² π +ππ )
(2-11)
(2-12)
Sedangkan untuk K2 dapat didefinisikan sebagai
berikut:
(2-3)
+
ππ ) sin( πΏ0 β πΌ) β π π cos (πΏ0 β πΌ))
(2-4)
K2 = πΎπΌ πΌππ [π π2 (ππ + ππ )2 ] + πΎπΌ πΈπππ π π
(2-13)
Dari persamaan torsi elektrik dapat dimodelkan
sesuai diagram blok pada gambar 2.3.
(2-5)
D = koefisien redaman mesin
Dengan
π=π½
π2 π
ππ
;π· =
π2 ππ
ππ
(2-6)
Gambar 3 Diagram blok torsi elektrik pada sistem
Pemodelan Konstanta K3 dan K4
d pada sudut rotor konstan. Maka persamaannya
Konstanta K3 dan K4 berhubungan dengan
dapat ditulis
persamaan
variabel
tegangan
βEβq.
Dengan
mengambil hubungan bahwa
βπΈπΉπ· = (1βπΎ3 + πβ²π0 π )βπΈβ²π + πΎ4 βπΏ
βπΈβ²π =
πΎ3
1+π πβ²π0 πΎ3
dengan harga:
πΎ3 =
(2-14)
(βπΈπΉπ· β πΎ4 βπΏ)
(2-15)
πΎ6 =
ππ0
ππ‘0
[1 β πΎπΌ π β² π (ππ + ππ )] β
ππ0
ππ‘0
β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦
πΎπΌ ππ π π
(2-20)
Sesuai dengan persamaan (2-17) maka tegangan
terminal dapat dimodelkan kedalam diagram blok
seperti pada gambar 3.5.
1
(2-16)
1+πΎπΌ (ππ +ππ )(ππ βπ β² π )
dan harga:
πΎ4 = πβ πΎπΌ (ππ β π β² π )β(ππ + ππ ) sin( πΏ0 β πΌ) β
Gambar 5 Diagram blok tegangan terminal pada
Dari persamaan (2-14) sampai dengan (2-17) dapat
Pemodelan Sistem SMIB
dimodelkan sesuai diagram blok pada gambar 2.4.
Pada pembahasan kali ini adalah gabungan dari yang
π π cos(πΏ0 β πΌ)β
(2-17)
βE +
-
βαΊ
πΎ3
1 + π β² ππ πΎ3
βE
SMIB
telah dibahas dalam persamaan dari pemodelan
eksiter sampai pemodelan konstanta K1-K6 dapat
dibentuk dalam diagram blok secara keseluruhan,
seperti pada gambar 2.9 berikut:
K4
Gambar 4 Diagram blok pembangkitan medan
Konstanta K5 dan K6
Untuk menghitung konstanta K5 dan K6 dibutuhkan
hubungan dengan variabel tegangan terminal βVt
yang dalam bentuk persamaan linier diberikan
sebagai berikut:
Gambar 6 Diagram blok model sistem SMIB
βVt = K5βαΊ+K6βEβq
(2-18)
Model Kontroler fuzzy PI/PD minimum
Dari persamaan (2-17), K5 adalah perubahan
Berikut akan diuraikan model matematika untuk
tegangan terminal βVt untuk perubahan kecil dari
perancangan
kontroller
sudut rotor pada fluks sumbu d konstan, yang dapat
perancangan
ini
ditulis sebagai berikut:
konfigurasi standar kontroller PD+I karena mudah
ππ0
πΎ5 = πΎπΌ πβ πβ²π π [π π cos( πΏ0 β πΌ) β (ππ +
π‘0
ππ ) sin(πΏ0 β πΌ)] β πΎπΌ πβ ππ
ππ0
ππ‘0
[(π β² π +
ππ ) cos( πΏ0 β πΌ) + π π sin (πΏ0 β πΌ)]
fuzzy
digunakan
PID.
akan
Dalam
digunakan
untuk diimplementasikan. Desain kontroller PID
terdiri dari 2 bagian kontroller fuzzy PD dan
kontroller fuzzy I.
(2-19)
Sedangkan konstanta K6 adalah perubahan tegangan
terminal Vt untuk perubahan kecil dari fluks sumbu
π’ππ· (π) = βπ’ππ· (π β 1) + πΎπππ· βπ’ππ· (π)
(2-30)
dengan πΎπππ· penguatan kontrol.
Penentuan Kontroler Fuzzy I
Kontroler I dalam sistem control PD+I seperti
Gambar 7 Diagram blok sistem Kontrol PD+I
ditunjukan pada gambar 3.7, memiliki e sebagai
Penentuan Kontroler Fuzzy PD
masukan dan π’πΌ sebagai keluaran. Dalam kawasan
Prinsip
matematika
dari
keluaran
kontroler
konvensional PD kontroler dalam kawasan frekuensi
s dari sistem dengan diagram blok pada gambar 3.7
adalah
π’ππ· = (πΎππ + π πΎππ )πΈ(π )
(2-21)
dengan πΎππ dan πΎππ masing-masing adalah penguatan
proporsional dan drivatif konvensional, dan E(s)
adalah
sinyal
kesalahan
penjejakan.
Dengan
melakukan transformasi diskrit dengan menerapkan
transformasi bilinier
]
π’ππ· (π ) =
(πΎππ
dalam bentuk persamaan berikut:
π’πΌ (π ) =
πΎππ
π
πΈ(π )
(2-22)
π§+1
dengan T adalah periode sampling, diperoleh
π 1βπ§ β1
+ πΎππ
) πΈ(π§)
2 1+π§ β1
πΎππ
dengan membuat Kd =
(2-23)
dan Kd =
2πΎππ
/ T dan
(2-31)
dengan πΎππ adalah penguatan kontrol integral
konvensional dan E(s) adalah sinyal kesalahan.
Dengan menggunakan transformasi bilinier yang
sama terhadap persamaan (2-31) diperoleh
π’πΌ (π§) =
π 1βπ§ β1
2 1βπ§ β1
sehingga:
2 π§β1
π = π[
frekuensi s hubungan masukan keluaran diuraikan
πΎππ πΈ(π§)
(2-32)
2π§ β1
π
π’πΌ (π§) = πΎππ (1 + 1βπ§ β1 ) πΈ(π§)
2
(2-33)
πΎππ ππ(π β 1)
(2-34)
π’πΌ (π) β π’πΌ (π β 1) =
πΎππ π
2
[π(π) β π(π β 1)] +
dengan membagi persamaan (2-34) dengan T
kemudian melakukan melakukan transformasi z
diperoleh
balik, kita dapatkan
βπ’πΌ (π) = πΎπΌ π(π β 1) + πΎπ(π)
π’ππ· (ππ) + π’ππ· (ππ β π) = πΎπ [π(ππ) + π(ππ β
π)] + πΎπ [π(ππ) β π(ππ β π)]
(2-24)
dengan membagi persamaan (2-24) dengan T, dan
menggunakan n untuk maksud nT dan keadaan
sekarang, kita peroleh
βπ’ππ· (π) = πΎπ π(π) + πΎπ π(π)
βπ’ππ· =
π(π) =
π(π) =
π’ππ· (π)+π’ππ· (πβ1)
π
π(π)βπ(πβ1)
π
dengan Ki =
βπ’πΌ (π) =
π(π) =
πΎππ
dan K = (T /
π’πΌ (π)βπ’πΌ (πβ1)
π
2) πΎππ ,
(2-35)
dan
π(π) β π(π β 1)
π
dengan membuat πΎπ’πΌ sebagai penguatan control
(2-25)
fuzzy, sebagaimana pada kontroler fuzzy PD seperti
(2-26)
diuraikan diatas, maka didapatkan
(2-27)
π’πΌ (π) = π’πΌ (π β 1) + πΎπ’πΌ βπ’πΌ (π)
(2-28)
π
Kontroler fuzzy PD+I keseluruhan diperoleh
menggunakan penjumlahan aljabar maka
berikut:
π’ππΌπ· (π) = π’ππ· (π) + π’πΌ (π)
π’ππ· (π) = βπ’ππ· (π β 1) + πβπ’ππ· (π)
mengganti
(2-37)
Kombinasi Kontroller Fuzzy PD+I
π(π)+π(πβ1)
persamaan (2-24) dapat ditulis kembali sebagai
dengan
(2-36)
suku
πβπ’ππ· (π)
penguatan aksi kontrol fuzzy didapatkan
(2-29)
dengan
= βπ’ππ· (π β 1) + πΎπππ· βπ’ππ· (π) +
π’πΌ (π1) + πΎππΌ βπ’πΌ (π)
(2-38)
perubahan kecepatan rotor. Dari respon tersebut
akan dianalisis tentang penerapan fuzzy PID dan
penggunaan metode optimasi untuk memperbaiki nilai
overshoot
dan
settling
Pengujian
time.
untuk
mengetahui keefektifan dari metode yang diusulkan
yaitu dengan memberikan sinyal uji berupa perubahan
pada sistem sebesar 10% dari kapasistas generator.
Gambar 8 Diagram blok Kontroler Fuzzy PID
Alur diagram mengenai prosedur komputasi dari
metode yang diusulkan untuk mencari nilai parameter
PID menggunakan HSA dapat dilihat pada flowchar
pada gambar 2.13
START
Inisialisasi Parameter
Inisialisasi Harmoni
Memori (HM)
Gambar 9 Diagram blok SMIB dengan kontroler
Fuzzy PID
Improvisasi
vector baru
Penggunaan HSA (Harmony Search Algorithm)
Dalam Penalaan Fuzzy PID
HM
Penerapan HSA disini digunakan untuk menala
parameter PID. Hasil dari penalaan ini kemudian
Apakah nilai fungsi
vektor baru lebih
baik dari vektor
terburuk di HM
dianalisis untuk mendapatkan respon yang baik.
Parameter HSA yang digunakan dalam metode ini
secara lengkap ditunjukkan pada tabel 1.
Tabel 1 Parameter HSA
Parameter
Nilai
Iterasi Maksimum
50
HMCR
0.9
HMS
150
PAR max
0.9
PAR min
0.3
BW max (bandwitch maksimum)
0.5
BW min (bandwitch minimum)
0.2
N
Memasukan vektor baru dan
membuang vektor terburuk dari HM
N
Menghentikan
kriteria
Selesai
Kondisi sistem yang dibandingkan adalah
sistem tanpa fuzzy PID dengan sistem menggunakan
fuzzy PID. Respon yang diamati adalah respon
Gambar 10 Flowchart HSA
beban sebesar 0.1 pu, Fuzzy PID sebagai kontroller
HASIL DAN PEMBAHASAN
Simulasi ini membandingkan hasil redaman
yang
akan
dioptimalkan
nilai
parameternya
antara SMIB tanpa kontroler dan SMIB dengan
menggunakan HSA, dan scope berfungsi untuk
kontroler fuzzy PID yang parameternya ditala
menampilkan respon dari simulasi. Setiap simulasi
menggunakan HSA. Pengolahan data dan simulasi
diamati dalam waktu 10 detik. Respon yang diamati
dikerjakan
adalah respon perubahan kecepatan rotor.
dengan
menggunakan
software
MATLAB 7.10 (R2010a). Respon yang diamati
Hasil Perhitungan
Hasil
dalam simulasi ini adalah respon perubahan
perhitungan
parameter
di
atas
kecepatan rotor.
digunakan sebagai inisialisasi dari model sistem
Data SMIB
tenaga listrik SMIB yang ditunjukkan pada tabel 2
Dalam tugas akhir ini data saluran dan
parameter mesin di ambil dari data sheet PLTMH
sampai tabel 3.
Tabel 5 Kondisi Inisial Sistem PLTMH UMM
No.
Parameter
Nilai
ditunjukkan pada tabel 2 dan tabel 3
1
Id
-1.1820
Tabel 2 Parameter Generator PLTMH UMM
2
Iq
0.4067
(UCI274F)
3
Vd
-0.5613
UMM.
Data
saluran
dan
parameter
mesin
No.
Parameter
Nilai
4
Vq
0.8276
1
Rating Daya (kVA)
160
5
Vt
1
2
Power Faktor
0.8
6
Eqao
2.4588
3
Frekuensi (Hz)
50
7
Vο₯
0.8050
4
Speed(RPM)
1500
8
Sin ( ο€0-ο‘ )
0.7596
5
H
4s
9
Cos ( ο€0-ο‘ )
0.6504
6
Tdoβ
0.9 s
7
Xd (pu)
2.24
Hasil perhitungan parameter interkoneksi
8
Xdβ (pu)
0.19
dari K1 sampai K6 dengan program MATLAB dapat
9
Xq (pu)
1.38
dilihat pada tabel 6
Tabel 3 Sistem Exitasi Type (SX460)
Tabel 6 Parameter K1-K6
No
Parameter
Nilai
No.
Parameter
Nilai
1
Ka
1
1
K1
1.8973
2
Ta
0.009
2
K2
2.3208
Tabel 4 Saluran Transmisi
3
K3
0.1569
No
Parameter
Nilai
4
K4
2.2595
1
X
0.156
5
K5
0.1440
2
R
0.176
6
K6
0.6191
Hasil Simulasi dan Analisis
Saat melakukan simulasi pada MATLAB,
model simulink yang digunakan adalah gambar 9
Disana terdapat load sebagai perubahan gangguan
PERUBAHAN KECEPATAN ROTOR
SMIB tanpa Kontroler fuzzy PID
0.1
tanpa kontroller
PERUBAHAN KECEPATAN ROTOR
0.1
0.08
tanpa kontroller
0.06
0.06
0.04
Dw
0.08
0.02
0.02
0
0
-0.02
-0.02
-0.04
Dw
0.04
-0.04
0
2
4
6
8
10
t,sec
12
14
16
18
20
0
5
10
15
t,sec
20
25
30
Gambar 13 Perbandingan Respon perubahan
Gambar 11 Respon perubahan kecepatan rotor
kecepatan rotor sistem SMIB tanpa kontroler
sistem SMIB tanpa Kontroler
terhadap SMIB dengan kontroler Fuzzy PID tanpa
Pada gambar 11 merupakan hasil respon
HSA
dari simulasi SMIB tanpa menggunakan kontroler
fuzzy PID. Dengan diberikan gangguan sebesar 0.1
pu dan step time sebesar 1 detik. Dari hasil tersebut
dapat diketahui, nilai rise time sebesar 0.0018 detik
dan nilai sattling time sebesar 14.5511 detik , dan
nilai error sebesar 1.0440. Hasil respon dapat dilihat
pada gambar 11 mengalami peredaman lebih lambat
untuk menuju ke posisi normal.
Pada
gambar
12
respon
perubahan
kecepatan rotor pada SMIB yang menggunakan
kontroler
fuzzy
PID
tanpa
HSA.
Dengan
diberikannya gangguan sebesar 0.1 pu dan step time
sebesar 1 detik. Maka rise time yang didapatkan
sebesar 4.6658e-003, settling time sebesar 11.6631
dan error sebesar 0.6444. Dari gambar 13
peredaman yang dialami lebih cepat dari gambar 11
SMIB dengan Kontroler Fuzzy PID Tanpa
HSA
yang menggunakan tanpa kontroller. Berikut gambar
perbandingan antara sistem SMIB tanpa kontroler
PERUBAHAN KECEPATAN ROTOR
0.08
kontroller fuzzy PID non HSA
terhadap sistem SMIB menggunakan kontroler.
0.07
PERUBAHAN KECEPATAN ROTOR
0.06
0.08
0.05
0.07
0.04
0.06
0.05
0.03
0.04
0.02
Dw
Dw
fuzzy PID
0.01
0.03
0.02
0
0.01
-0.01
0
-0.02
0
5
10
15
t,sec
20
25
30
Gambar 12 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
PID tanpa HSA
-0.01
-0.02
0
5
10
15
t,sec
20
25
30
Gambar 14 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
PID tanpa HSA setelah mengubah gangguan step
time sebesar 17 detik
Pada
gambar
14
respon
perubahan
kecepatan rotor pada sistem SMIB setelah diubah
gangguan sebesar 0.1 pu dan step time menjadi 17
detik. Maka rise time sebesar 0.0018 detik, settling
Pada gambar 15 dapat dilihat hasil respon
time sebesar 22.7262 detik dan error sebesar 0.9684.
dari simulasi SMIB dengan menggunakan kontroler
Dari gambar 14 terlihat respon perubahan kecepatan
Fuzzy PID-HSA. Ketika diberikan gangguan sebesar
rotor mengalami peredaman setelah gangguannya
0.1 pu dan diberikan step time sebesar 1 detik. Hasil
diubah.
dari simulasi yang telah dilakukan dapat diketahui
SMIB dengan Kontroler Fuzzy PID-HSA
nilai settling time sebesar 5.9724 detik, nilair rise
time sebesar 2.2473e-004 detik dan nilai error
PERUBAHAN KECEPATAN ROTOR
0.07
Dw
fuzzy PID
0.06
sebesar 0.1564. Hasil respon dapat dilihat pada
0.05
gambar 15 mengalami peredaman lebih cepat untuk
0.04
menuju ke posisi normal.
0.03
Pada
0.02
gambar
16
merupakan
grafik
0.01
konvergensi dari optimasi Fuzzy PID dengan HSA.
0
Dilihat dari grafik konvergensi dapat diketahui nilai
-0.01
0
5
10
15
t,sec
20
25
ITAE yang menjadi fungsi objektif dalam pencarian
30
Gambar 15 Respon perubahan kecepatan rotor
nilai parameter Fuzzy PID yang paling optimal. Nilai
sistem SMIB dengan menggunakan kontroler Fuzzy
ITAE sudah mengalami konvergensi pada iterasi ke
PID-HSA dengan iterasi = 50
2 sampai iterasi ke 6 dan konstan sampai iterasi ke
Grafik Konvergensi Fuzzy PID dengan HSA
50 sehingga mendapatkan nilai ITAE yang paling
0.23
0.22
optimal sebesar 0.1564.
0.21
Nilai ITAE
PERUBAHAN KECEPATAN ROTOR
0.2
0.07
0.19
0.06
kontroller Fuzzy PID
0.18
0.05
0.17
0.04
0.15
Dw
0.16
0
5
10
15
20
25
Iterasi
30
35
40
45
0.03
50
0.02
Gambar 16 Grafik Konvergensi SMIB dengan
0
Kontroler Fuzzy PID-HSA 50 iterasi
-0.01
PERUBAHAN KECEPATAN ROTOR
0.1
tanpa kontroller
Fuzzy-PID
0.08
0.01
0
5
10
15
t,sec
20
25
30
Gambar 18 Respon perubahan kecepatan rotor
0.06
sistem SMIB dengan menggunakan kontroler Fuzzy
0.04
Dw
PID-HSA dengan iterasi = 50 setelah mengubah
0.02
gangguan step time sebesar 17 detik
0
Pada
-0.02
-0.04
0
Gambar
5
17
10
15
t,sec
Perbandingan
20
Respon
25
30
gambar
18
respon
perubahan
kecepatan rotor pada sistem SMIB setelah diubah
perubahan
gangguan sebesar 0.1 pu dan step time menjadi 17
kecepatan rotor sistem SMIB tanpa kontroler terhadap
detik. Maka rise time sebesar 8.0283e-004 detik,
SMIB dengan kontroler Fuzzy PID-HSA dengan iterasi
settling time sebesar 19.6493 detik dan error sebesar
= 50
0.4426. Dari gambar 18 terlihat respon perubahan
kecepatan rotor mengalami peredaman setelah
gangguannya diubah. Namun rise time, settling time
dapat diketahui rise time sebesar 9.4411e-005,
dan error menjadi lebih besar.
settling time sebesar 8.3894 dan error sebsar
0.1587.Hasil respon dari simulasi tersebut adalah
PERUBAHAN KECEPATAN ROTOR
0.08
kontroller Fuzzy PID
0.07
peredamannya terlihat lebih lambat dari pada yang
0.06
menggunakan 50 iterasi.
0.05
Dw
0.04
Pada
0.03
0.02
gambar
20
merupakan
grafik
konvergensi dari optimasi Fuzzy PID dengan HSA.
0.01
Dilihat dari grafik konvergensi dapat diketahui nilai
0
-0.01
-0.02
ITAE yang menjadi fungsi objektif dalam pencarian
0
5
10
15
t,sec
20
25
30
Gambar 19 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
PID-HSA dengan iterasi = 100
nilai parameter Fuzzy PID yang paling optimal. Nilai
ITAE sudah mengalami konvergensi pada iterasi ke
5 sampai iterasi ke 19 dan konstan sampai iterasi ke
100 sehingga mendapatkan nilai ITAE yang paling
Grafik Konvergensi Fuzzy PID dengan HSA
optimal sebesar 0.1587
0.24
PERUBAHAN KECEPATAN ROTOR
0.08
fuzzy PID
0.07
0.06
0.2
0.05
0.18
Dw
0.04
0.16
0.03
0.02
0
10
20
30
40
50
Iterasi
60
70
80
90
100
Gambar 20 Grafik Konvergensi SMIB dengan
0.01
0
-0.01
Kontroler Fuzzy PID-HSA 100 Iterasi
-0.02
PERUBAHAN KECEPATAN ROTOR
0
5
10
0.1
tanpa kontroller
Fuzzy PID
0.08
15
t,sec
20
25
30
Gambar 22 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
0.06
PID-HSA dengan iterasi = 100 setelah mengubah
0.04
Dw
Nilai ITAE
0.22
0.02
gangguan step time sebesar 17 detik
0
Pada
-0.02
-0.04
0
Gambar
5
21
10
15
t,sec
20
Perbandingan
25
Respon
30
gambar
22
respon
perubahan
kecepatan rotor pada sistem SMIB setelah diubah
perubahan
gangguan sebesar 0.1 pu dan step time menjadi 17
kecepatan rotor sistem SMIB tanpa kontroler terhadap
detik. Maka rise time sebesar 1.2324e-004 detik,
SMIB dengan kontroller Fuzzy PID-HSA dengan
settling time sebesar 21.8013 detik dan error sebesar
iterasi = 100
0.4426. Dari gambar 22 terlihat respon perubahan
Pada gambar 19 dengan 100 iterasi dapat
dilihat
hasil
respon
dari
simulasi
SMIB
menggunakan kontroler fuzzy PID-HSA. Dengan
diberikan gangguan dan step time yang sama dengan
simulasi SMIB yang menggunakan kontroller fuzzy
PID-HSA dengan 50 iterasi. Dari hasil simulasi
kecepatan rotor mengalami peredaman setelah
gangguannya diubah. Namun rise time, settling time
dan error menjadi lebih besar.
Hasil dari parameter yang di optimalkan
iterasi terlihat lebih baik karena nilai settling time
dengan HSA ditampilkan pada tabel berikut:
dan nilai error ITAE lebih kecil kecuali pada
Tabel 7 Parameter Fuzzy PID Hasil Optimasi
kontroler Fuzzy PID-HSA dengan 100 iterasi yang
Menggunakan HSA dan tanpa HSA
mana rise time lebih kecil dari sistem SMIB tanpa
kontroler, SMIB dengan kontroler fuzzy PID dan
Nilai
No
Parameter
Iterasi
Iterasi
Tanpa
kontroler fuzzy PID-HSA 50 iterasi. Terlihat dari
= 50
= 100
HSA
gambar 17 respon perubahan kecepatan rotor terlihat
1
Kp
1.5835
0.1486
1
lebih bagus dan peredaman lebih cepat. Ketika
2
Ki
1.6631
1.0740
1.8
gangguan step time diubah menjadi 17 detik, nilai
3
Kd
2.2834
1.8787
0.6
rise time, settling time dan error menjadi lebih besar
4
Kupd
-0.2989
0.0830
1
5
Kui
1.9377
1.6288
1.5
disbanding sebelum gangguan diubah.
KESIMPULAN DAN SARAN
Tabel 8 Data Respon Perubahan Kecepatan Rotor
Metode
Rise
Time
(detik)
Settling
Time
(detik)
Error
ITAE
Tanpa
Kontrol
er
0.0018
Fuzzy
PID
Fuzzy
PIDHAS
50
Iterasi
Fuzzy
PIDHSA 100
iterasi
4.6658e
-003
2.2473
e-004
9.4411e005
Kesimpulan
Berdasarkan hasil simulasi analisa dapat
disimpulkan sebagai berikut:
1. Perancangan
optimal
optimal. Pada gambar 17 terlihat respon
perubahan
14.5511
11.6631
5.9724
8.3894
1.0440
0.6444
0.1564
0.1587
kecepatan
rotor
lebih
cepat
peredamannya memakai kontroler fuzzy PID
yang parameternya ditala menggunakan HSA
(Harmony Search Algorithm) dengan 50 iterasi
dibanding
Fuzzy
PID
0.0018
dengan
tanpa
kontroler
dan
menggunakan kontroler fuzzy PID non HSA dan
dengan gangguan 17 detik
Rise
Time
(detik)
Settling
Time
(detik)
Error
ITAE
PID-AVR
menunjukkan hasil peredaman yang efektif dan
Tabel 9 Data Respon Perubahan Kecepatan Rotor
Metode
fuzzy
Fuzzy PIDHAS 50
Iterasi
Fuzzy PIDHSA 100
iterasi
8.0283e-004
1.2324e-004
kontroller fuzzy PID-HSA.
2.
Nilai Settling time dan error ITAE yang
menggunakan kontroler fuzzy PID-HSA dengan
50 iterasi lebih kecil nilainya dibanding dengan
tanpa kontroler, kontroler fuzzy PID, dan fuzzy
22.7262
19.6493
21.8013
0.9684
0.4426
0.6426
PID-HSA dengan 100 iterasi. Namun pada nilai
rise time, SMIB yang menggunakan kontroler
fuzzy PID-HSA dengan 100 iterasi nilainya
lebih kecil dibanding tanpa kontroler dan yang
Jika dibandingkan antara hasil simulasi SMIB tanpa
kontroler dengan hasil simulasi SMIB menggunakan
kontroler fuzzy PID, fuzzy PID-HSA 50 iterasi dan
fuzzy PID-HSA 100 iterasi. Hasil simulasi SMIB
menggunakan kontroler Fuzzy PID-HSA dengan 50
menggunakan kontroler fuzzy PID dan kontroler
fuzzy PID-HSA dengan 50 iterasi.
3. Ketika gangguan step time di ubah menjadi 17
[7] Mahdevi, M., Fesanghary, M., dan Damangir, E.
detik, nilai pada rise time, settling time dan error
An Improved Harmony Search Algorithm for
menjadi lebih besar.
Solving
Optimization
Problems.
Applied
Mathematics and Computation, Vol. 188
(2007), pp. 1567-1579.
Saran
Untuk lebih meningkatkan ketelitian model
[8] Robandi, Imam."Desain Sistem Tenaga Modern
dan simulasi sistem tenaga listrik SMIB, beban
Optimasi,
sebaiknya tidak dianggap statis tetapi beban dinamis.
Genetika". Penerbit C.V ANDI OFFSET,
Pada penelitian selanjutnya disarankan untuk
Yogyakarta, 2006.
menambahkan
teknik-teknik
yang
dapat
memberikan kestabilan hasil dalam setiap iterasi dan
Logika
Fuzzy,
dan
Algoritma
[9] Robandi, Imam. Modern Power System Control.
Penerbit Andi Yogyakarta, 2009.
memperkuat nilai initial solution HSA dengan
[10] Suprijanto, Andi. "Desain Kontroller Untuk
mempertimbangkan tingkat kemampuan komputer.
Kestabilan Dinamik Sistem Tenaga Listrik".
Penalaan parameter Fuzzy PID dapat dilakukan
Penerbit ITS Press, Surabaya, 2012
dengan metode optimasi yang lain dan pengujian
[11] Setiawan, Ahmad. Santosa, Budi, Ir., M.Sc.,
dapat dikembangkan menggunakan model sistem
Phd. Penerapan Algoritma Harmony Search
multimesin dan dapat dipadukan dengan PSS.
Algorithm Dalam
DAFTAR PUSTAKA
Constrained Project Scheduling Problem. ITS,
[1] A. Hakim, Ermanu.
Heri P., Mauridhi.
Suprijanto, Adi. PSS Berbasis pada Fuzzy PID
Optimal untuk Stabilitas Sistem Tenaga Listrik.
ITS, Surabaya, 2006.
[2] Ching-Chang Wong, Shih-An Li and Hou-Yi
Wang. 2009. "Optimal PID Controller Desain
For AVR System". Tamkang Jurnal of Science
and Engineering, Vol. 12, No. 3, pp. 259-270
[3] Geem, Z.W. Music-Inspired Harmony Search
Algorithm. Springer, Verlag, Berlin, Heidelberg.
2009.
[4] Geem, Z.W. Recent Advances in Harmony
Search Algorithm. Springer, Verlag, Berlin,
Heidelberg. 2010.
[5] Kundur, Prabha. Power System Stability and
Control. New York: McGraw-Hill, Inc. 1993.
[6] Kusumadewi, Sri. Purnomo, Hari. Aplikasi
Logika Fuzzy untuk Pendukung Keputusan.
Penerbit Garaha Ilmu, Yogyakarta, 2010.
Surabaya.
Penyelesaian Resource-
SEARCH ALGORITHM UNTUK MEREDAM OSILASI TEGANGAN PADA
SISTEM TENAGA LISTRIK
Khaerul Humam1, Dr. Ir. Ermanu A.H., MT2, Ir. Nurhadi, MT3
Fakultas Teknik, Jurusan Teknik Elektro, Universitas Muhammadiyah Malang
khaerulhumam@gmail.com1, ermanu_hakim@yahoo.com2, nurhadi@umm.ac.id3
Abstrak
Pada makalah ini nantinya akan membahas tentang mengoptimalkan AVR yang dikoordinasikan dengan
Fuzzy PID untuk meredam osilasi tegangan. Dalam sistem tenaga listrik, perubahan beban sangat mempengaruhi
kondisi operasi sistem. Perubahan beban pada sistem tenaga listrik dapat disebut sebagai gangguan kecil yang
dapat mempengaruhi kestabilan sistem. Perbaikan kestabilan ini dapat dilakukan pemasangan kontroller Fuzzy
PID yang sesuai penalaannya. Model sistem yang digunakan pada tugas akhir ini yaitu Single Machine Infinte
Bus (SMIB).Penentuan parameter yang baik untuk Fuzzy PID juga mempengaruhi kestabilan sistem SMIB,
sehingga perolehan parameter yang sesuai untuk Fuzzy PID ini ditala menggunakan metode Harmony Search
Algorithm (HSA). Dalam penalaan menggunakan HSA terdapat fungsi objektif yaitu Integral of Time Multiplied
by Absolute Value of Error (ITAE) yang berfungsi sebagai pencari nada terbaik. Hasil simulasi dalam
penggunaan Fuzzy PID yang ditala dengan HSA 50 iterasi menunjukkan bahwa respon kestabilan sistem menjadi
lebih baik. Hal ini dapat dilihat dari respon sistem untuk nilai rise time lebih rendah sebesar 2.2473e-004 detik
dibandingkan Fuzzy PID sebelum ditala menggunakan HSA yaitu sebesar 0.0018 detik. Ini menunjukkan bahwa
respon kestabilan sistem menjadi lebih baik. Ketika gangguan step time di ubah menjadi 17 detik, nilai pada rise
time, settling time dan error menjadi lebih besar.
Kata kunci : AVR, Fuzzy Logic, Kontroler PID, SMIB, HSA dan ITAE
Abstract
This paper will discuss about AVR optimizing coordinated with Fuzzy PID to dampen the oscillation
voltage. In power system, the load changes affect the operating system conditions. The load changes on the power
system can be referred to as a small disturbance that can affect the stability of the system. The stability
improvement can be the installation of an appropriate tuning Fuzzy PID controller. The system model used in
this thesis is a Single Machine Infinite Bus (SMIB) .The determination of the good parameter for Fuzzy PID also
affect the stability of SMIB system, so the acquisition of Fuzzy PID parameter are tuned using the Harmony
Search Algorithm (HSA) method. When tuning with HSA the objective functions is Integral of Time Multiplied by
Absolute Value of Error (ITAE) when that function as searching be more good tone. Simulation result in used
Fuzzy PID tuning with HSA 50 iteration shows that stability system response be more good. The things can views
from system response to rise time value more low is 2.2473e-004 second than Fuzzy PID before tuning used HSA
is 0,0018 second. This shows that stability system response be more good. When the time step disturbance
changed to 17 seconds, the value of the rise time, settling time and errors become larger.
Keyword : AVR, Fuzzy Logic, PID controller, SMIB,HAS and ITAE
PENDAHULUAN
koordinasi fuzzy PID untuk meredam osilasi
Latar Belakang
Pada perencanaan dan operasi sistem tenaga
tegangan pada sistem tenaga listrik. Didalam sistem
listrik, kestabilan sistem adalah hal yang sangat
penting. Pada sistem pengaturan modern, eksitasi
memegang peranan penting dalam mengendalikan
kestabilan suatu pembangkit karena apabila terjadi
fluktuasi beban maka eksitasi sebagai pengendali
akan berfungsi mengontrol keluaran generator
seperti tegangan, dan factor daya dengan cara
mengatur kembali besaran-besaran input guna
mencapai titik keseimbangan baru. Bila arus eksitasi
naik maka daya reaktif yang disalurkan generator ke
sistem akan naik sebaliknya bila turun maka daya
reaktif yang disalurkan akan berkurang. Jika arus
eksitasi yang diberikan terlalu kecil, aliran daya
reaktif akan berbalik dari sistem menuju ke
tenaga listrik single machine, perubahan beban
sangat mempengaruhi kondisi operasi sistem.
Perubahan beban pada sistem tenaga listrik dapat
disebut sebagai small disturbance (gangguan kecil)
yang dapat mempengaruhi kestabilan sistem.
Perbaikan
kestabilan
ini
dapat
dilakukan
pemasangan kontroller Fuzzy PID yang sesuai
penalaannya.
Untuk
penalaan
fuzzy
PID
menggunakan metode HSA (Harmony Search
Algorithm). Metode ini merupakan salah satu
algoritma yang terinspirasi dari proses improvisasi
musisi. Dalam HSA, setiap musisi (variabel
keputusan), memainkan (menghasilkan), catatan
(nilai) untuk menemukan semua harmoni terbaik
secara bersama-sama.
generator sehingga generator menyerap daya reaktif
dari sistem. Keadaan ini sangat berbahaya karena
Tujuan
akan menyebabkan pemanasan berlebihan pada
1. Memodelkan Fuzzy PID-AVR yang optimal dan
menerapkannya pada SMIB (Single Machine
stator.
Suatu sistem tenaga listrik dikatakan dalam
infinite Bus).
keadaan stabil apabila seluruh variabel keadaannya
2. Menentukan parameter yang optimal untuk
stabil, baik tegangan bus, sudut generator atau
Fuzzy PID-AVR dengan menggunakan metode
frekuensi sistem. Bila sistem menjadi tidak stabil,
HSA( Harmony Search Algorithm)
maka ketikstabilan tersebut bisa dimanifestasikan
melalui cara-cara berbeda, tergantung pada sifat dari
sistem, kondisi operasi serta pada sifat dan lokasi
yang memulai gangguan. Ketidakstabilan sistem
yang diwujudkan dalam bentuk tegangan di
3. Untuk mendapatkan performansi sistem setelah
dipasangkan kontroler Fuzzy PID-AVR.
PERANCANGAN
Pemodelan Exciter
Model sistem eksitasi dalam pengaturan
beberapa bus turun jauh dibawah kondisi normal dan
memungkinkan terjadi gagal tegangan, maka
peristiwa tersebut bisa dikatakan atau merupakan
fenomena ketidakstabilan tegangan. Suatu sistem
dikatakan dalam kondisi tegangan tidak stabil, bila
terjadi perubahan pada sistem diluar perkiraan.
Oleh karena itu yang akan dibahas dalam
tugas akhir ini nantinya tentang mengoptimalkan
AVR (Automatic Voltage Regulator) dengan
variable output generator mengacu pada model
standart IEEE. Variable ini akan diatur melalui
perubahan fluks medan generator. Diagram blok dari
sistem eksitasi ditampilkan pada gambar 2.1 sebagai
berikut:
Setelah dilinierisasi,
βππ β βππ = π
πβπ
ππ‘
+ π·βπ
(2-7)
Dengan menggunakan transformasi Laplace, maka
diperoleh:
Gambar 1 Diagram blok sistem eksitasi
Dengan mengabaikan efek saturasi, Gambar 2.1
dapat dijabarkan menjadi.
TA βVA = βU2 KA - βVA - βV KA
βπΏ =
π0
π
βπ
(2-8)
βππ β βππ = (π π + π·)βπ
(2-9)
Dari persamaan di atas dapat dibuat diagram blok
(2-1)
elektromekanik sebagai berikut:
βVA = Perubahan tegangan amplifier mesin
Model Linier Dinamika Mesin Sinkron
Suatu generator agar menghasilkan energi listrik,
membutuhkan dua masukan, yang pertama torsi
mekanik turbin (Tm). Torsi ini berfungsi untuk
memutar rotor generator. Yang kedua fluks medan
Gambar 2 Diagram blok elektromekanik
magnet (EFD) yang dihasilkan oleh rangkaian medan,
Pemodelan Konstanta K1 dan K2
melalui lilitas yang tedapat pada rotor. Dengan
Pada subbab ini konstanta K1 dan K2 berhubungan
adanya torsi mekanik, rotor generator berputar
dengan persamaan variabel torsi elektrik (βTe).
dengan dengan energy kinetic 1/2JΟ
Persamaan torsi elektrik dapat dituliskan sebagai
2
joule.
Momentum sudut M=JΟ joule detik, dengan Ο
(radian per-detik) merupakan kecepatan sudut dan J
2
adalah momen inersia (kg-m ).
berikut:
βππ = πΎ1 . βπΏ + πΎ2 . πΈβ²π
(2-10)
Dengan:
Jika generator sinkron dibebani, akan
mengalir arus dari generator ke beban. Selanjutnya
K1 = πΈππ0 πβ πΎπΌ (π π sin(πΏ0 β πΌ) + (ππ +
menimbulkan torsi elektrik (Te) melawan torsi
π β² π ) cos(πΏ0 β πΌ)) + πΎπΌ πβ πΌπ0 (ππ β πβ²π ((ππ +
mekanik. Persamaan torsi mekanik dan elektris
Dengan:
dapat diturunkan sebagai berikut:
πΎπΌ =
arus ini menghasilkan fluks pada stator dan
ππ β ππ = π½
ππ
ππ‘
+ ππ
(2-2)
Sedangkan persamaan torsi dasarnya
ππ =
ππ
ππ
β
ππ
ππ
ππ
; ππ = ππ
=π½
ππ
ππ ππβππ
ππ
ππ β ππ = π
Dimana:
ππ‘
ππ
ππ‘
+ π·π
ππ π
ππ ππ
1
π π2 +(ππ +ππ )(π β² π +ππ )
(2-11)
(2-12)
Sedangkan untuk K2 dapat didefinisikan sebagai
berikut:
(2-3)
+
ππ ) sin( πΏ0 β πΌ) β π π cos (πΏ0 β πΌ))
(2-4)
K2 = πΎπΌ πΌππ [π π2 (ππ + ππ )2 ] + πΎπΌ πΈπππ π π
(2-13)
Dari persamaan torsi elektrik dapat dimodelkan
sesuai diagram blok pada gambar 2.3.
(2-5)
D = koefisien redaman mesin
Dengan
π=π½
π2 π
ππ
;π· =
π2 ππ
ππ
(2-6)
Gambar 3 Diagram blok torsi elektrik pada sistem
Pemodelan Konstanta K3 dan K4
d pada sudut rotor konstan. Maka persamaannya
Konstanta K3 dan K4 berhubungan dengan
dapat ditulis
persamaan
variabel
tegangan
βEβq.
Dengan
mengambil hubungan bahwa
βπΈπΉπ· = (1βπΎ3 + πβ²π0 π )βπΈβ²π + πΎ4 βπΏ
βπΈβ²π =
πΎ3
1+π πβ²π0 πΎ3
dengan harga:
πΎ3 =
(2-14)
(βπΈπΉπ· β πΎ4 βπΏ)
(2-15)
πΎ6 =
ππ0
ππ‘0
[1 β πΎπΌ π β² π (ππ + ππ )] β
ππ0
ππ‘0
β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦
πΎπΌ ππ π π
(2-20)
Sesuai dengan persamaan (2-17) maka tegangan
terminal dapat dimodelkan kedalam diagram blok
seperti pada gambar 3.5.
1
(2-16)
1+πΎπΌ (ππ +ππ )(ππ βπ β² π )
dan harga:
πΎ4 = πβ πΎπΌ (ππ β π β² π )β(ππ + ππ ) sin( πΏ0 β πΌ) β
Gambar 5 Diagram blok tegangan terminal pada
Dari persamaan (2-14) sampai dengan (2-17) dapat
Pemodelan Sistem SMIB
dimodelkan sesuai diagram blok pada gambar 2.4.
Pada pembahasan kali ini adalah gabungan dari yang
π π cos(πΏ0 β πΌ)β
(2-17)
βE +
-
βαΊ
πΎ3
1 + π β² ππ πΎ3
βE
SMIB
telah dibahas dalam persamaan dari pemodelan
eksiter sampai pemodelan konstanta K1-K6 dapat
dibentuk dalam diagram blok secara keseluruhan,
seperti pada gambar 2.9 berikut:
K4
Gambar 4 Diagram blok pembangkitan medan
Konstanta K5 dan K6
Untuk menghitung konstanta K5 dan K6 dibutuhkan
hubungan dengan variabel tegangan terminal βVt
yang dalam bentuk persamaan linier diberikan
sebagai berikut:
Gambar 6 Diagram blok model sistem SMIB
βVt = K5βαΊ+K6βEβq
(2-18)
Model Kontroler fuzzy PI/PD minimum
Dari persamaan (2-17), K5 adalah perubahan
Berikut akan diuraikan model matematika untuk
tegangan terminal βVt untuk perubahan kecil dari
perancangan
kontroller
sudut rotor pada fluks sumbu d konstan, yang dapat
perancangan
ini
ditulis sebagai berikut:
konfigurasi standar kontroller PD+I karena mudah
ππ0
πΎ5 = πΎπΌ πβ πβ²π π [π π cos( πΏ0 β πΌ) β (ππ +
π‘0
ππ ) sin(πΏ0 β πΌ)] β πΎπΌ πβ ππ
ππ0
ππ‘0
[(π β² π +
ππ ) cos( πΏ0 β πΌ) + π π sin (πΏ0 β πΌ)]
fuzzy
digunakan
PID.
akan
Dalam
digunakan
untuk diimplementasikan. Desain kontroller PID
terdiri dari 2 bagian kontroller fuzzy PD dan
kontroller fuzzy I.
(2-19)
Sedangkan konstanta K6 adalah perubahan tegangan
terminal Vt untuk perubahan kecil dari fluks sumbu
π’ππ· (π) = βπ’ππ· (π β 1) + πΎπππ· βπ’ππ· (π)
(2-30)
dengan πΎπππ· penguatan kontrol.
Penentuan Kontroler Fuzzy I
Kontroler I dalam sistem control PD+I seperti
Gambar 7 Diagram blok sistem Kontrol PD+I
ditunjukan pada gambar 3.7, memiliki e sebagai
Penentuan Kontroler Fuzzy PD
masukan dan π’πΌ sebagai keluaran. Dalam kawasan
Prinsip
matematika
dari
keluaran
kontroler
konvensional PD kontroler dalam kawasan frekuensi
s dari sistem dengan diagram blok pada gambar 3.7
adalah
π’ππ· = (πΎππ + π πΎππ )πΈ(π )
(2-21)
dengan πΎππ dan πΎππ masing-masing adalah penguatan
proporsional dan drivatif konvensional, dan E(s)
adalah
sinyal
kesalahan
penjejakan.
Dengan
melakukan transformasi diskrit dengan menerapkan
transformasi bilinier
]
π’ππ· (π ) =
(πΎππ
dalam bentuk persamaan berikut:
π’πΌ (π ) =
πΎππ
π
πΈ(π )
(2-22)
π§+1
dengan T adalah periode sampling, diperoleh
π 1βπ§ β1
+ πΎππ
) πΈ(π§)
2 1+π§ β1
πΎππ
dengan membuat Kd =
(2-23)
dan Kd =
2πΎππ
/ T dan
(2-31)
dengan πΎππ adalah penguatan kontrol integral
konvensional dan E(s) adalah sinyal kesalahan.
Dengan menggunakan transformasi bilinier yang
sama terhadap persamaan (2-31) diperoleh
π’πΌ (π§) =
π 1βπ§ β1
2 1βπ§ β1
sehingga:
2 π§β1
π = π[
frekuensi s hubungan masukan keluaran diuraikan
πΎππ πΈ(π§)
(2-32)
2π§ β1
π
π’πΌ (π§) = πΎππ (1 + 1βπ§ β1 ) πΈ(π§)
2
(2-33)
πΎππ ππ(π β 1)
(2-34)
π’πΌ (π) β π’πΌ (π β 1) =
πΎππ π
2
[π(π) β π(π β 1)] +
dengan membagi persamaan (2-34) dengan T
kemudian melakukan melakukan transformasi z
diperoleh
balik, kita dapatkan
βπ’πΌ (π) = πΎπΌ π(π β 1) + πΎπ(π)
π’ππ· (ππ) + π’ππ· (ππ β π) = πΎπ [π(ππ) + π(ππ β
π)] + πΎπ [π(ππ) β π(ππ β π)]
(2-24)
dengan membagi persamaan (2-24) dengan T, dan
menggunakan n untuk maksud nT dan keadaan
sekarang, kita peroleh
βπ’ππ· (π) = πΎπ π(π) + πΎπ π(π)
βπ’ππ· =
π(π) =
π(π) =
π’ππ· (π)+π’ππ· (πβ1)
π
π(π)βπ(πβ1)
π
dengan Ki =
βπ’πΌ (π) =
π(π) =
πΎππ
dan K = (T /
π’πΌ (π)βπ’πΌ (πβ1)
π
2) πΎππ ,
(2-35)
dan
π(π) β π(π β 1)
π
dengan membuat πΎπ’πΌ sebagai penguatan control
(2-25)
fuzzy, sebagaimana pada kontroler fuzzy PD seperti
(2-26)
diuraikan diatas, maka didapatkan
(2-27)
π’πΌ (π) = π’πΌ (π β 1) + πΎπ’πΌ βπ’πΌ (π)
(2-28)
π
Kontroler fuzzy PD+I keseluruhan diperoleh
menggunakan penjumlahan aljabar maka
berikut:
π’ππΌπ· (π) = π’ππ· (π) + π’πΌ (π)
π’ππ· (π) = βπ’ππ· (π β 1) + πβπ’ππ· (π)
mengganti
(2-37)
Kombinasi Kontroller Fuzzy PD+I
π(π)+π(πβ1)
persamaan (2-24) dapat ditulis kembali sebagai
dengan
(2-36)
suku
πβπ’ππ· (π)
penguatan aksi kontrol fuzzy didapatkan
(2-29)
dengan
= βπ’ππ· (π β 1) + πΎπππ· βπ’ππ· (π) +
π’πΌ (π1) + πΎππΌ βπ’πΌ (π)
(2-38)
perubahan kecepatan rotor. Dari respon tersebut
akan dianalisis tentang penerapan fuzzy PID dan
penggunaan metode optimasi untuk memperbaiki nilai
overshoot
dan
settling
Pengujian
time.
untuk
mengetahui keefektifan dari metode yang diusulkan
yaitu dengan memberikan sinyal uji berupa perubahan
pada sistem sebesar 10% dari kapasistas generator.
Gambar 8 Diagram blok Kontroler Fuzzy PID
Alur diagram mengenai prosedur komputasi dari
metode yang diusulkan untuk mencari nilai parameter
PID menggunakan HSA dapat dilihat pada flowchar
pada gambar 2.13
START
Inisialisasi Parameter
Inisialisasi Harmoni
Memori (HM)
Gambar 9 Diagram blok SMIB dengan kontroler
Fuzzy PID
Improvisasi
vector baru
Penggunaan HSA (Harmony Search Algorithm)
Dalam Penalaan Fuzzy PID
HM
Penerapan HSA disini digunakan untuk menala
parameter PID. Hasil dari penalaan ini kemudian
Apakah nilai fungsi
vektor baru lebih
baik dari vektor
terburuk di HM
dianalisis untuk mendapatkan respon yang baik.
Parameter HSA yang digunakan dalam metode ini
secara lengkap ditunjukkan pada tabel 1.
Tabel 1 Parameter HSA
Parameter
Nilai
Iterasi Maksimum
50
HMCR
0.9
HMS
150
PAR max
0.9
PAR min
0.3
BW max (bandwitch maksimum)
0.5
BW min (bandwitch minimum)
0.2
N
Memasukan vektor baru dan
membuang vektor terburuk dari HM
N
Menghentikan
kriteria
Selesai
Kondisi sistem yang dibandingkan adalah
sistem tanpa fuzzy PID dengan sistem menggunakan
fuzzy PID. Respon yang diamati adalah respon
Gambar 10 Flowchart HSA
beban sebesar 0.1 pu, Fuzzy PID sebagai kontroller
HASIL DAN PEMBAHASAN
Simulasi ini membandingkan hasil redaman
yang
akan
dioptimalkan
nilai
parameternya
antara SMIB tanpa kontroler dan SMIB dengan
menggunakan HSA, dan scope berfungsi untuk
kontroler fuzzy PID yang parameternya ditala
menampilkan respon dari simulasi. Setiap simulasi
menggunakan HSA. Pengolahan data dan simulasi
diamati dalam waktu 10 detik. Respon yang diamati
dikerjakan
adalah respon perubahan kecepatan rotor.
dengan
menggunakan
software
MATLAB 7.10 (R2010a). Respon yang diamati
Hasil Perhitungan
Hasil
dalam simulasi ini adalah respon perubahan
perhitungan
parameter
di
atas
kecepatan rotor.
digunakan sebagai inisialisasi dari model sistem
Data SMIB
tenaga listrik SMIB yang ditunjukkan pada tabel 2
Dalam tugas akhir ini data saluran dan
parameter mesin di ambil dari data sheet PLTMH
sampai tabel 3.
Tabel 5 Kondisi Inisial Sistem PLTMH UMM
No.
Parameter
Nilai
ditunjukkan pada tabel 2 dan tabel 3
1
Id
-1.1820
Tabel 2 Parameter Generator PLTMH UMM
2
Iq
0.4067
(UCI274F)
3
Vd
-0.5613
UMM.
Data
saluran
dan
parameter
mesin
No.
Parameter
Nilai
4
Vq
0.8276
1
Rating Daya (kVA)
160
5
Vt
1
2
Power Faktor
0.8
6
Eqao
2.4588
3
Frekuensi (Hz)
50
7
Vο₯
0.8050
4
Speed(RPM)
1500
8
Sin ( ο€0-ο‘ )
0.7596
5
H
4s
9
Cos ( ο€0-ο‘ )
0.6504
6
Tdoβ
0.9 s
7
Xd (pu)
2.24
Hasil perhitungan parameter interkoneksi
8
Xdβ (pu)
0.19
dari K1 sampai K6 dengan program MATLAB dapat
9
Xq (pu)
1.38
dilihat pada tabel 6
Tabel 3 Sistem Exitasi Type (SX460)
Tabel 6 Parameter K1-K6
No
Parameter
Nilai
No.
Parameter
Nilai
1
Ka
1
1
K1
1.8973
2
Ta
0.009
2
K2
2.3208
Tabel 4 Saluran Transmisi
3
K3
0.1569
No
Parameter
Nilai
4
K4
2.2595
1
X
0.156
5
K5
0.1440
2
R
0.176
6
K6
0.6191
Hasil Simulasi dan Analisis
Saat melakukan simulasi pada MATLAB,
model simulink yang digunakan adalah gambar 9
Disana terdapat load sebagai perubahan gangguan
PERUBAHAN KECEPATAN ROTOR
SMIB tanpa Kontroler fuzzy PID
0.1
tanpa kontroller
PERUBAHAN KECEPATAN ROTOR
0.1
0.08
tanpa kontroller
0.06
0.06
0.04
Dw
0.08
0.02
0.02
0
0
-0.02
-0.02
-0.04
Dw
0.04
-0.04
0
2
4
6
8
10
t,sec
12
14
16
18
20
0
5
10
15
t,sec
20
25
30
Gambar 13 Perbandingan Respon perubahan
Gambar 11 Respon perubahan kecepatan rotor
kecepatan rotor sistem SMIB tanpa kontroler
sistem SMIB tanpa Kontroler
terhadap SMIB dengan kontroler Fuzzy PID tanpa
Pada gambar 11 merupakan hasil respon
HSA
dari simulasi SMIB tanpa menggunakan kontroler
fuzzy PID. Dengan diberikan gangguan sebesar 0.1
pu dan step time sebesar 1 detik. Dari hasil tersebut
dapat diketahui, nilai rise time sebesar 0.0018 detik
dan nilai sattling time sebesar 14.5511 detik , dan
nilai error sebesar 1.0440. Hasil respon dapat dilihat
pada gambar 11 mengalami peredaman lebih lambat
untuk menuju ke posisi normal.
Pada
gambar
12
respon
perubahan
kecepatan rotor pada SMIB yang menggunakan
kontroler
fuzzy
PID
tanpa
HSA.
Dengan
diberikannya gangguan sebesar 0.1 pu dan step time
sebesar 1 detik. Maka rise time yang didapatkan
sebesar 4.6658e-003, settling time sebesar 11.6631
dan error sebesar 0.6444. Dari gambar 13
peredaman yang dialami lebih cepat dari gambar 11
SMIB dengan Kontroler Fuzzy PID Tanpa
HSA
yang menggunakan tanpa kontroller. Berikut gambar
perbandingan antara sistem SMIB tanpa kontroler
PERUBAHAN KECEPATAN ROTOR
0.08
kontroller fuzzy PID non HSA
terhadap sistem SMIB menggunakan kontroler.
0.07
PERUBAHAN KECEPATAN ROTOR
0.06
0.08
0.05
0.07
0.04
0.06
0.05
0.03
0.04
0.02
Dw
Dw
fuzzy PID
0.01
0.03
0.02
0
0.01
-0.01
0
-0.02
0
5
10
15
t,sec
20
25
30
Gambar 12 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
PID tanpa HSA
-0.01
-0.02
0
5
10
15
t,sec
20
25
30
Gambar 14 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
PID tanpa HSA setelah mengubah gangguan step
time sebesar 17 detik
Pada
gambar
14
respon
perubahan
kecepatan rotor pada sistem SMIB setelah diubah
gangguan sebesar 0.1 pu dan step time menjadi 17
detik. Maka rise time sebesar 0.0018 detik, settling
Pada gambar 15 dapat dilihat hasil respon
time sebesar 22.7262 detik dan error sebesar 0.9684.
dari simulasi SMIB dengan menggunakan kontroler
Dari gambar 14 terlihat respon perubahan kecepatan
Fuzzy PID-HSA. Ketika diberikan gangguan sebesar
rotor mengalami peredaman setelah gangguannya
0.1 pu dan diberikan step time sebesar 1 detik. Hasil
diubah.
dari simulasi yang telah dilakukan dapat diketahui
SMIB dengan Kontroler Fuzzy PID-HSA
nilai settling time sebesar 5.9724 detik, nilair rise
time sebesar 2.2473e-004 detik dan nilai error
PERUBAHAN KECEPATAN ROTOR
0.07
Dw
fuzzy PID
0.06
sebesar 0.1564. Hasil respon dapat dilihat pada
0.05
gambar 15 mengalami peredaman lebih cepat untuk
0.04
menuju ke posisi normal.
0.03
Pada
0.02
gambar
16
merupakan
grafik
0.01
konvergensi dari optimasi Fuzzy PID dengan HSA.
0
Dilihat dari grafik konvergensi dapat diketahui nilai
-0.01
0
5
10
15
t,sec
20
25
ITAE yang menjadi fungsi objektif dalam pencarian
30
Gambar 15 Respon perubahan kecepatan rotor
nilai parameter Fuzzy PID yang paling optimal. Nilai
sistem SMIB dengan menggunakan kontroler Fuzzy
ITAE sudah mengalami konvergensi pada iterasi ke
PID-HSA dengan iterasi = 50
2 sampai iterasi ke 6 dan konstan sampai iterasi ke
Grafik Konvergensi Fuzzy PID dengan HSA
50 sehingga mendapatkan nilai ITAE yang paling
0.23
0.22
optimal sebesar 0.1564.
0.21
Nilai ITAE
PERUBAHAN KECEPATAN ROTOR
0.2
0.07
0.19
0.06
kontroller Fuzzy PID
0.18
0.05
0.17
0.04
0.15
Dw
0.16
0
5
10
15
20
25
Iterasi
30
35
40
45
0.03
50
0.02
Gambar 16 Grafik Konvergensi SMIB dengan
0
Kontroler Fuzzy PID-HSA 50 iterasi
-0.01
PERUBAHAN KECEPATAN ROTOR
0.1
tanpa kontroller
Fuzzy-PID
0.08
0.01
0
5
10
15
t,sec
20
25
30
Gambar 18 Respon perubahan kecepatan rotor
0.06
sistem SMIB dengan menggunakan kontroler Fuzzy
0.04
Dw
PID-HSA dengan iterasi = 50 setelah mengubah
0.02
gangguan step time sebesar 17 detik
0
Pada
-0.02
-0.04
0
Gambar
5
17
10
15
t,sec
Perbandingan
20
Respon
25
30
gambar
18
respon
perubahan
kecepatan rotor pada sistem SMIB setelah diubah
perubahan
gangguan sebesar 0.1 pu dan step time menjadi 17
kecepatan rotor sistem SMIB tanpa kontroler terhadap
detik. Maka rise time sebesar 8.0283e-004 detik,
SMIB dengan kontroler Fuzzy PID-HSA dengan iterasi
settling time sebesar 19.6493 detik dan error sebesar
= 50
0.4426. Dari gambar 18 terlihat respon perubahan
kecepatan rotor mengalami peredaman setelah
gangguannya diubah. Namun rise time, settling time
dapat diketahui rise time sebesar 9.4411e-005,
dan error menjadi lebih besar.
settling time sebesar 8.3894 dan error sebsar
0.1587.Hasil respon dari simulasi tersebut adalah
PERUBAHAN KECEPATAN ROTOR
0.08
kontroller Fuzzy PID
0.07
peredamannya terlihat lebih lambat dari pada yang
0.06
menggunakan 50 iterasi.
0.05
Dw
0.04
Pada
0.03
0.02
gambar
20
merupakan
grafik
konvergensi dari optimasi Fuzzy PID dengan HSA.
0.01
Dilihat dari grafik konvergensi dapat diketahui nilai
0
-0.01
-0.02
ITAE yang menjadi fungsi objektif dalam pencarian
0
5
10
15
t,sec
20
25
30
Gambar 19 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
PID-HSA dengan iterasi = 100
nilai parameter Fuzzy PID yang paling optimal. Nilai
ITAE sudah mengalami konvergensi pada iterasi ke
5 sampai iterasi ke 19 dan konstan sampai iterasi ke
100 sehingga mendapatkan nilai ITAE yang paling
Grafik Konvergensi Fuzzy PID dengan HSA
optimal sebesar 0.1587
0.24
PERUBAHAN KECEPATAN ROTOR
0.08
fuzzy PID
0.07
0.06
0.2
0.05
0.18
Dw
0.04
0.16
0.03
0.02
0
10
20
30
40
50
Iterasi
60
70
80
90
100
Gambar 20 Grafik Konvergensi SMIB dengan
0.01
0
-0.01
Kontroler Fuzzy PID-HSA 100 Iterasi
-0.02
PERUBAHAN KECEPATAN ROTOR
0
5
10
0.1
tanpa kontroller
Fuzzy PID
0.08
15
t,sec
20
25
30
Gambar 22 Respon perubahan kecepatan rotor
sistem SMIB dengan menggunakan kontroler Fuzzy
0.06
PID-HSA dengan iterasi = 100 setelah mengubah
0.04
Dw
Nilai ITAE
0.22
0.02
gangguan step time sebesar 17 detik
0
Pada
-0.02
-0.04
0
Gambar
5
21
10
15
t,sec
20
Perbandingan
25
Respon
30
gambar
22
respon
perubahan
kecepatan rotor pada sistem SMIB setelah diubah
perubahan
gangguan sebesar 0.1 pu dan step time menjadi 17
kecepatan rotor sistem SMIB tanpa kontroler terhadap
detik. Maka rise time sebesar 1.2324e-004 detik,
SMIB dengan kontroller Fuzzy PID-HSA dengan
settling time sebesar 21.8013 detik dan error sebesar
iterasi = 100
0.4426. Dari gambar 22 terlihat respon perubahan
Pada gambar 19 dengan 100 iterasi dapat
dilihat
hasil
respon
dari
simulasi
SMIB
menggunakan kontroler fuzzy PID-HSA. Dengan
diberikan gangguan dan step time yang sama dengan
simulasi SMIB yang menggunakan kontroller fuzzy
PID-HSA dengan 50 iterasi. Dari hasil simulasi
kecepatan rotor mengalami peredaman setelah
gangguannya diubah. Namun rise time, settling time
dan error menjadi lebih besar.
Hasil dari parameter yang di optimalkan
iterasi terlihat lebih baik karena nilai settling time
dengan HSA ditampilkan pada tabel berikut:
dan nilai error ITAE lebih kecil kecuali pada
Tabel 7 Parameter Fuzzy PID Hasil Optimasi
kontroler Fuzzy PID-HSA dengan 100 iterasi yang
Menggunakan HSA dan tanpa HSA
mana rise time lebih kecil dari sistem SMIB tanpa
kontroler, SMIB dengan kontroler fuzzy PID dan
Nilai
No
Parameter
Iterasi
Iterasi
Tanpa
kontroler fuzzy PID-HSA 50 iterasi. Terlihat dari
= 50
= 100
HSA
gambar 17 respon perubahan kecepatan rotor terlihat
1
Kp
1.5835
0.1486
1
lebih bagus dan peredaman lebih cepat. Ketika
2
Ki
1.6631
1.0740
1.8
gangguan step time diubah menjadi 17 detik, nilai
3
Kd
2.2834
1.8787
0.6
rise time, settling time dan error menjadi lebih besar
4
Kupd
-0.2989
0.0830
1
5
Kui
1.9377
1.6288
1.5
disbanding sebelum gangguan diubah.
KESIMPULAN DAN SARAN
Tabel 8 Data Respon Perubahan Kecepatan Rotor
Metode
Rise
Time
(detik)
Settling
Time
(detik)
Error
ITAE
Tanpa
Kontrol
er
0.0018
Fuzzy
PID
Fuzzy
PIDHAS
50
Iterasi
Fuzzy
PIDHSA 100
iterasi
4.6658e
-003
2.2473
e-004
9.4411e005
Kesimpulan
Berdasarkan hasil simulasi analisa dapat
disimpulkan sebagai berikut:
1. Perancangan
optimal
optimal. Pada gambar 17 terlihat respon
perubahan
14.5511
11.6631
5.9724
8.3894
1.0440
0.6444
0.1564
0.1587
kecepatan
rotor
lebih
cepat
peredamannya memakai kontroler fuzzy PID
yang parameternya ditala menggunakan HSA
(Harmony Search Algorithm) dengan 50 iterasi
dibanding
Fuzzy
PID
0.0018
dengan
tanpa
kontroler
dan
menggunakan kontroler fuzzy PID non HSA dan
dengan gangguan 17 detik
Rise
Time
(detik)
Settling
Time
(detik)
Error
ITAE
PID-AVR
menunjukkan hasil peredaman yang efektif dan
Tabel 9 Data Respon Perubahan Kecepatan Rotor
Metode
fuzzy
Fuzzy PIDHAS 50
Iterasi
Fuzzy PIDHSA 100
iterasi
8.0283e-004
1.2324e-004
kontroller fuzzy PID-HSA.
2.
Nilai Settling time dan error ITAE yang
menggunakan kontroler fuzzy PID-HSA dengan
50 iterasi lebih kecil nilainya dibanding dengan
tanpa kontroler, kontroler fuzzy PID, dan fuzzy
22.7262
19.6493
21.8013
0.9684
0.4426
0.6426
PID-HSA dengan 100 iterasi. Namun pada nilai
rise time, SMIB yang menggunakan kontroler
fuzzy PID-HSA dengan 100 iterasi nilainya
lebih kecil dibanding tanpa kontroler dan yang
Jika dibandingkan antara hasil simulasi SMIB tanpa
kontroler dengan hasil simulasi SMIB menggunakan
kontroler fuzzy PID, fuzzy PID-HSA 50 iterasi dan
fuzzy PID-HSA 100 iterasi. Hasil simulasi SMIB
menggunakan kontroler Fuzzy PID-HSA dengan 50
menggunakan kontroler fuzzy PID dan kontroler
fuzzy PID-HSA dengan 50 iterasi.
3. Ketika gangguan step time di ubah menjadi 17
[7] Mahdevi, M., Fesanghary, M., dan Damangir, E.
detik, nilai pada rise time, settling time dan error
An Improved Harmony Search Algorithm for
menjadi lebih besar.
Solving
Optimization
Problems.
Applied
Mathematics and Computation, Vol. 188
(2007), pp. 1567-1579.
Saran
Untuk lebih meningkatkan ketelitian model
[8] Robandi, Imam."Desain Sistem Tenaga Modern
dan simulasi sistem tenaga listrik SMIB, beban
Optimasi,
sebaiknya tidak dianggap statis tetapi beban dinamis.
Genetika". Penerbit C.V ANDI OFFSET,
Pada penelitian selanjutnya disarankan untuk
Yogyakarta, 2006.
menambahkan
teknik-teknik
yang
dapat
memberikan kestabilan hasil dalam setiap iterasi dan
Logika
Fuzzy,
dan
Algoritma
[9] Robandi, Imam. Modern Power System Control.
Penerbit Andi Yogyakarta, 2009.
memperkuat nilai initial solution HSA dengan
[10] Suprijanto, Andi. "Desain Kontroller Untuk
mempertimbangkan tingkat kemampuan komputer.
Kestabilan Dinamik Sistem Tenaga Listrik".
Penalaan parameter Fuzzy PID dapat dilakukan
Penerbit ITS Press, Surabaya, 2012
dengan metode optimasi yang lain dan pengujian
[11] Setiawan, Ahmad. Santosa, Budi, Ir., M.Sc.,
dapat dikembangkan menggunakan model sistem
Phd. Penerapan Algoritma Harmony Search
multimesin dan dapat dipadukan dengan PSS.
Algorithm Dalam
DAFTAR PUSTAKA
Constrained Project Scheduling Problem. ITS,
[1] A. Hakim, Ermanu.
Heri P., Mauridhi.
Suprijanto, Adi. PSS Berbasis pada Fuzzy PID
Optimal untuk Stabilitas Sistem Tenaga Listrik.
ITS, Surabaya, 2006.
[2] Ching-Chang Wong, Shih-An Li and Hou-Yi
Wang. 2009. "Optimal PID Controller Desain
For AVR System". Tamkang Jurnal of Science
and Engineering, Vol. 12, No. 3, pp. 259-270
[3] Geem, Z.W. Music-Inspired Harmony Search
Algorithm. Springer, Verlag, Berlin, Heidelberg.
2009.
[4] Geem, Z.W. Recent Advances in Harmony
Search Algorithm. Springer, Verlag, Berlin,
Heidelberg. 2010.
[5] Kundur, Prabha. Power System Stability and
Control. New York: McGraw-Hill, Inc. 1993.
[6] Kusumadewi, Sri. Purnomo, Hari. Aplikasi
Logika Fuzzy untuk Pendukung Keputusan.
Penerbit Garaha Ilmu, Yogyakarta, 2010.
Surabaya.
Penyelesaian Resource-