Optimal Power Flow (OPF) Menggunakan Jaringan Saraf Tiruan

Print
Category: Teknologi Informasi (TI)
Last Updated on Wednesday, 13 May 2015 Published Date Written by Joko Pitono

OPTIMAL  POWER  FLOW ( OPF  )

MENGGUNAKAN  JEJARING  SYARAF  TIRUAN

 

 Joko  Pitono 

Widyaiswara Madya, PPPPTK BOE - Malang 

Jl.Teluk Mandar Arjosari Tromol Pos 5 Malang 65102 Telp. 0341 491239

Email : j_pitono@yahoo.com

 

 Abstrak

 Dua metoda yakni Lagrange Relaxation untuk Unit Commitment dan Linear Programming Optimal Power Flow( LP OPF )  untuk Economic Dispatch telah digunakan secara luas sebagai simulation tools bagi para peneliti maupun para pendidik dalam memecahkan masalah OPF secara off-line.  Kelemahan metoda ini adalah tidak mampu beradaptasi secara on-line dengan perubahan beban.  Paper ini menyajikan kombinasi keduanya dengan Jejaring Syaraf Tiruan ( JST )  untuk memperoleh solusi terbaik dalam memecahkan masalah OPF agar dapat digunakan secara on-line. Obyek penelitian memanfaatkan Standard IEEE-9 Bus Test System, yang mempunyai 3 generator dan 3 bus beban.  Kombinasi beban pada ketiga bus beban digunakan sebagai input, sedangkan kombinasi daya ketiga pembangkit yang dihasilkan dari running LP OPF digunakan sebagai target dalam melatih 6 lapis backpropagation JST dengan sigmoidal transfer function. Hasil solusi optimal yang diperoleh dari pengujian JST dibandingkan dengan hasil penggunaan LP OPF. Model JST yang dihasilkan sangat berguna sebagai pedoman perencanaan biaya operasional dan keandalan sistem tenaga listrik yang selanjutnya dapat digunakan untuk menentukan kebijakan-kebijakan yang berhubungan dengan ketenagalistrikan oleh para pengelola sistem tenaga listrik.

Katakunci :  BusBeban ; JejaringSyarafTiruan; OptimalPowerFlow; UnitPembangkit.    

 

Pendahuluan

            OPF merupakan tool yang sangatberguna di dalam energi manajemen sistem sa'at ini untuk menopang pengelolaan operasional sistem tenaga listrik secara ekonomis. Solusi OPF dalam bentuk pemrograman dengan pendekatan matematis telah banyak digunakan diantaranya : K.S.Pandya,2006,  telah menyajikan beberapa methoda optimalisasi yaitu, (1) Linear Programming (LP) method, (2) Newton-Raphson (NR) method, (3) Quadratic Programming (QP) method, (4) Nonlinear Programming (NLP) method, (5) Interior Point (IP) methodyang digunakan untuk menyelesaikan masalah OPF. Dalam banyak kasus, formulasi matematik sangat baik digunakan untuk menyelesaikan masalah-masalah yang      sederhana, tetapi jika digunakan untuk menyelesaikan masalah pada sistem tenaga listrik skala besar mempunyai beberapa kelemahan diantaranya  sangat lemah dalam penanganan batasan-batasan secara kuantitative, sangat susah untuk mencapai konvergensi, hanya diperoleh lokal optimasi, hanya diperoleh optimasi tunggal dalam eksekusi simulasi tunggal, lambat jika jumlah variabel dan polanya banyak sehingga sulit dioperasikan secara on-line dan memerlukan komputasi yang besar. Dengan memanfaatkanJST, kelemahan-kelemahan di atas dapat diperbaiki terutama dalam hal batasan-batasan secara kualitative dan dengan JST dapat  diperoleh multiple optimal solutions dalam eksekusi simulasi tunggal. JST  merupakan Artificial Intelligence tool untuk aplikasi on-line yang dapat memproses informasi secara parallel dan dapat menjalankan komputasi nonlinier pada durasi waktu yang pendek (Bansial and Thukaram, 2003). JST telah banyak digunakan  pada Power Systems (Swarup, 2006; Arunagiri, 2006), dan (Shaikh dan Balasubramanian, 2003) terutama  padawilayah aplikasi-aplikasi  pattern classification yang berbasis pada data historis. Sekali dilatih dalam durasi waktu tertentu JST dapat memberikan hasil yang cukup akurat sesuai dengan tingkat kesalahan yang direkomendasikan dengan waktu yang pendek untuk aplikasi-aplikasi on-line. Investigasi dilakukan pada Standard IEEE-9 Bus Test System (Hartati dan El-Hawary, 2001) yang mempunyai tiga beban dan tiga generator serta enam saluran transmisi. Data-data historis yang digunakan untuk melatih JST diperoleh dari hasil running LP OPF  menggunakan Matpower versi 3.2 (Zimmerman D. Ray dan Murilloa E. Carlos, 2007) dengan 52 pola atau variasi beban pada ketiga bus dengan memperhitungkan kerugian daya pada transmisi.

 

Metodologi

          Untuk memperoleh data historis yang digunakan dalam melatih JST, dilakukan proses seperti gambar 1 di bawah ini,

 

Gambar 1. Alur Data Historis

 

Kombinasi beban aktif (P) dilakukan pada 3 bus beban, sedangkan beban reaktif (Q) diasumsikan tetap atau tidak ada perubahan.Dilakukan running OPF untuk memperoleh kombinasi pembangkitan yang optimal. Untuk menyelesaikan masalah OPF dibutuhkan persamaan nonlinear, uraian optimalisasi serta keamanan operasi dari suatu sistem daya. Permasalahan OPF secara umum dapat dinyatakan seperti di bawah ini.

  dengan asumsi bahwa,

 Persamaan load flow,

 adalah jumlah bus

Fungsi fuel cost dituliskan sebagai berikut,     

 

 State variable vector x terdiri :

 

Control variable vector u  terdiri dari :

 Kombinasi beban dan kombinasi pembangkitan digunakan sebagai input dan target dalam training JST. Data input dan target yang digunakan pada JST terlebih dahulu dinormalisasi dalam rentang antara 0 dan 1. JST yang digunakan dalam penelitian ini adalah JST backpro (Somasundaram dan Manickavasagam, 2002). JST yang dihasilkan akan diuji coba dan hasilnya dibandingkan dengan hasil software OPF yang berbasis UC dan ED.

 

Plant  Obyek  Penelitian

                         Gambar 2, IEEE-9 Bus  Test  System mempunyai 3 unit pembangkit yang terpasang pada bus 1, bus 2 dan bus 3  yang digunakan sebagai target pelatihan JST. Kombinasi beban pada bus 9, bus 7 dan bus 5 digunakan sebagai input pelatihan yang dimulai dari beban minimum 10 MW hingga beban maksimum 800 MW dengan interval 80 MW.

                Gambar 2. IEEE-9 Bus  Test  System

           

Tabel 1, memperlihatkan nilai resistance, reactance dan susceptance, yang digunakan untuk perhitungan kerugian daya pada transmisi

         Tabel 1.   Line Parameter    


 

 Tabel 2 , menunjukkan daya aktif dan daya reaktif setiap pembangkit serta cost function coefficients yang digunakan untuk perhitungan obyective function value yang merupakan biaya pembangkitan daya dalam melayani permintaan pembebanan.

Tabel 2.   Generator Operating Limits and  Quadratic Cost Function Coefficients

 

Simulasi  danAnalisis Hasil

          Berdasar pada hasil-hasil percobaan diperoleh desain jejaring yang digunakan untuk pelatihan dan pengujian yaitu jejaring yang mempunyai enam lapis yang terdiri dari 3 node input sebagai masukan variasi beban pada load bus, 5 node pada hidden layer1, 7 node pada hidden layer2, 7 node pada hidden layer3, 5 node pada hidden layer4 dan 3 keluaran untuk memperoleh hasil variasi pembangkitan generator  yang paling optimal.

 Gambar 3.  Visualisasi Perangkat Lunak

Semakin besar node yang ada pada hidden layer, jaringan hanya mampu mengenali pola-pola yang telah dilatihkan sedangkan pola yang tidak dilatihkan dikenali dengan kesalahan yang relatif besar. Jika node pada hidden layer terlalu sedikit jaringan akan cepat jenuh artinya bahwa tingkat kesalahan tidak akan  berkurang  walaupun  iterasi  yang  dicapai  tinggi. Secara lengkap desain dan konstruksi jaringan terlihat pada Gambar 4.

 

Gambar 4.  Desain   Jaringan  357753

          Pelatihan JST dimulai dengan cara mengambil pola pelatihan yang terkecil atau 25 pola dengan tingkat toleransi kesalahan besar hingga pola pelatihan yang lebih besar atau 52 pola pelatihan dengan toleransi kesalahan kecil. Learning rate dimulai dari 0.1 dan jika terjadi kejenuhan pada pelatihan secara bertahap dinaikan hingga maksimum 0.25. Momentum ditetapkan 0.80000 untuk memperoleh proses pelatihan yang stabil. Data Pelatihan  sebanyak 52 pola   diperoleh dari kombinasi pola biner seperti terlihat pada tabel 3,

 Tabel 3.   Kombinasi Pembebanan

 

Kombinasi beban yang bernilai 1  mempunyai variasi antara 10 hingga 800 MW dengan interval 80 MW (10 pola), sedangkan beban yang bernilai 0 diasumsikan bahwa pada bus yang bersangkutan tidak dibebani. Pengambilan data sampling dengan menggunakan kombinasi ini dimaksudkan agar setiap bus beban pernah dilatih dengan beban  minimal (10 MW) sampai beban maksimal ( 800 MW ). Semakin kecil interval variasi beban akan semakin banyak jumlah pola yang dilatihkan sehingga akan membuthkan waktu yang relatif lama pada sa'at pelatihan tetapi akan diperoleh hasil pengujian dengan kesalahan yang kecil.

 Hasil  Pengujian                                

Kesalahan                            :  0.000066

 

       Pada saat hasil pengujian menghasilkan kesalahan (MSE) sebesar 0,000066, pelatihan dihentikan karena JST sudah jenuh artinya bahwa iterasi  tetap berjalan tetapi kesalahan tidak menjadi lebih kecil atau tidak ada perubahan. Kesalahan terbesar terjadi pada beban total 290 MW ( baris ke 7 dari bawah ) yaitu 1,66 MW atau 0,57 %.

 

Kesimpulan

          Paper ini mempresentasikan solusi OPF agar dapat dioperasikan secara on-line sebagai upaya antisipasi terhadap perubahan beban dan dapat digunakan dalam pengoperasian sistim tenaga listrik real time. Dengan demikian biaya operasional pada suatu sistem tenaga listrik dapat diperkirakan sesuai dengan fluktuasi harga bahan bakar dalam kurun waktu tertentu.Hal ini sangat berguna sebagai pedoman perencanaan biaya operasional dan keandalan pada sistem tenaga listrik yang selanjutnya dapat digunakan untuk menentukan kebijakan-kebijakan yang berhubungan dengan ketenagalistrikan oleh para pengelola sistem tenaga listrik.Untuk memperkecil toleransi kesalahan dapat dilakukan pelatihan berikutnya dengan cara menambah pola pelatihan. Semakin banyak pola  yang dilatih semakin kecil kesalahan yang diperoleh tetapi membutuhkan waktu yang relatif lama. Untuk mempercepat keberhasilan pelatihan pola-pola yang komplek (mempunyai perbedaan nilai yang besar)  dapat dilakukan normalisasi data pada kedua sisi yaitu sisi input dan sisi  target.

 

 Daftar Pustaka

 

Arunagiri,A; Venkatesh,B., 2006, Artificial Neural Network Approach – an Application to Radial Load Flow Algorithm, Vol.3-No.14 - July 25,  IEICE Electronics Express, page :  353 – 360

Bansilal;  Thukaram,D., 2003,  Artificial Neural Network Application to Power System Voltage Stability Improvement,  0-7803-7651-X/03, IEEE.

Haque Tarafdar,M., 2005, Application of Neural Network in power system : A Review, Vol.6 – June,  PWASET.

Hartati, R.S.; El-Hawary, M.E.,2001,Optimal active power flow solutions using a modified Hopfieldneural network”,  Electrical and Computer Engineering, Vol.1, pp. 189 – 194

Kumari Sailaja,M.; Sydulu,M., 2008, An Improved Evolutionary Computation Technique for Optimal Power Flow Solution, Vol. 3, no. 1 - April, International Journal of Innovations in Energy Systems and Power, page : 32 - 45

Pandya,K.S.; Joshi,S.K., 2006,  A Survey of Optimal Power Flow Methods, JATIT, page : 450 - 458

Shaikh  Azim Fouzul;  Balasubramanian,R.,2003,Neural Networks Technique Applicability for Voltage Stability of Power Systems “. 0-7803-7952-7/03/S17.00 ,IEEE

 

Somasundaram,P.; Manickavasagam,R., 2002, Coordinated Secondary Voltage Controller using Artificial Neural network, Proceeding of IASTED International conference on Power and Energy System, page : 392 – 397

Swarup,K.S., 2006,  Swarm Intelligence Approach to The Solution of Optimal Power Flow, Sept – Oct., J. Indian Inst., page :  439 – 455

Zimmerman D. Ray; Murilloa E. Carlos, 2007, User's Manual A Matlab Power System Simulation Package,  Version 3.2 – September 21, PSERC