4. Aplikasi Fuzzy Logic PSS PadaStabilitas Transient Sistem Tenaga Listrik
-
Upload
yudha-irawan -
Category
Documents
-
view
34 -
download
4
description
Transcript of 4. Aplikasi Fuzzy Logic PSS PadaStabilitas Transient Sistem Tenaga Listrik
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
21
Aplikasi Fuzzy Logic PSS padaStabilitas Transient Sistem Tenaga Listrik
Arif Budi Laksono
1, Zainal Abidin
2
1) Dosen Fakultas Teknik Prodi Elektro Universitas Islam Lamongan 2) Dosen dpk pada Fakultas Teknik Prodi Elektro Universitas Islam Lamongan
Abstrak
PSS pada unit pembangkitan merupakan peralatan efektif untuk meredam osilasi elektromekanikal dan
peningkatan stabilitas transient pada sistem tenaga listrik. Pada PSS sebelumnya dengan beberapa
parameter terpasang memiliki beberapa kerugian, misalnya rendahnya penguatan. Dengan berkembangnya
teknologi, PSS dibangun dengan kontrol komputer termasuk di dalamnya menggunakan Fuzzy Logic
Power System Stabilizer.
Dalam makalah ini membahas aplikasi fuzzy logic pada PSS (Power System Stabilizer) untuk sistem
tenaga listrik. Aplikasi ini berbasis artificial neural network (ANN) yang digunakan untuk memperkirakan
estimasi gangguan. Dengan mengatur parameter Fuzzy Logic PSS yang diatur berdasarkan Algoritma
Genetika (AG)
Kata kunci : Fuzzy logic, Algoritma Genetika, Power System Stabilizer, Stabilitas Sistem Tenaga
PENDAHULUAN Seperti yang telah diketahui bahwa PSS pada unit
pembangkitan merupakan peralatan efektif untuk
meredam osilasi elektromekanikal dan
peningkatan stabilitas transient pada sistem
tenaga listrik. Pada PSS sebelumnya dengan
beberapa parameter terpasang memiliki beberapa
kerugian, misalnya rendahnya penguatan.
Dengan berkembangnya teknologi, PSS dibangun
dengan kontrol komputer termasuk di dalamnya
menggunakan Fuzzy Logic Power System
Stabilizer. [1]-[4].
Masalah-masalah desain Fuzy Logic PSS
sudah banyak dibahas dalam beberapa publikasi
[5]-[8]. Dalam makalah ini penulis menyajikan
permasalahan berkenaan dengan masalah-
masalah penyesuaian penalaan Fuzzy Logic PSS
[9]-[10]. Tetapi masalah-masalah aplikasi Fuzzy
pada sistem tenaga listrik masih dilakukan
pengembangan dan penelitian lebih lanjut.
Model sistem tenaga listrik yang digunakan
adalah simulasi sistem tenaga listrik.
Perbandingan penelitian kemudian dibandingan
dengan PSS konvensional, FL PSS dengan
penyetelan expert dan FL PSS dengan tuning
AG. Kemudian pendekatan novel digambarkan
untuk kluster estimasi gangguan dengan
menggunakan organisasi Artificial Neural
Network (ANN).
DESKRIPSI
Pendekatan Umum
Struktur FL PSS digambarkan pada gambar 1.
Pengaturan secara umum menggunakaan sebuah
skema dengan dua input (speed deviation dan
akselerasi daya P), blok fuzzy / de fuzzy dan
tabel keputusan. Prinsip-prinsip kerja dari tiap
regulator telah digambarkan di banyak publikasi.
Penggunaan Algoritma Genetika untuk
membantu menyelesaikan masalah optimisasi
fuzzy logic PSS. Algoritma Genetika memiliki
tujuan menyelesaikan berbagai masalah yang
kompleks yang memiliki algoritma probabilitas
yang sangat berbeda dari algoritma acak yang
mengkombinasikan elemen-elemen dari
pelacakan secara stokastik dan terarah. Sifat lain
dari metode pelacakan yang berbasis genetika
adalah mereka memelihara populasi dari solusi
yang potensial. Bandingan dengan metode-
metode lain yang hanya memproses titik-titik
tunggal dari ruang pelacakan [8].
Dalam permasalahan ini, algoritma genetik
membantu algoritma dalam optimisasi fuzzy
logic PSS. Langkah awalnya, ditentukan estimasi
gangguan yang berat saat stabilitas transient yang
diidentifikasikan dalam sebuah kelompok yang
sama. Setelah itu menentukan analisis kluster,
sementara dalam makalah ini digunakan
organisasi jaringan cerdas. Setelah kita dapat
mempelajari pendeteksian regulasi dan korelasi
dengan input sistem langkah selanjutnya adalah
mengklasifikasikan jenis gangguan.
Algoritma digunakan pada proses penyetelah
fuzzy logic PSS. Optimisasi diselesaikan untuk
beberapa jenis gangguan utama yang dipilih
pada dasar klasifikasi sebelumnya. Pembatasan
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
22
yang sama diaplikasikan pada algoritma genetik
untuk mendapatkan parameter terbaik dari FL
PSS. Hasil dari penyetelah FL PSS
mengakibatkan nilai optimal dari beberapa
fungsi, tabel aturan dasar dan faktor skala dapat
ditentukan.
Teknik Klasifikasi
Prinsip klasifikasi gangguan dengan
menggunakan organisasi sistem cerdas dapat
ditunjukkan pada gambar 2. Penentukan
informasi profil karakter pembangkitan di bawah
tipe-tipe gangguan yang berbeda diperlukan oleh
penggunaan jaringan cerdas.
Sebuah parameter yang terbaik, tidak
memerlukan integrasi numerik, namun dengan
pembangkitan inisialisasi timbal balik akselerasi.
Nilai dari pembangkitan tersebut dikenal dengan
notasi i dan j dan dapat dihitung dengan :
2
)0(2
2
)0(2
2
)0(2
dt
d
dt
d
dt
d jiij , (1)
dimana - nilai absolut dari pembangkitan
akselerasi.
Input vektor terdiri dari elemen n(n-1)/2,
dimana n adalah jumlah pembangkit (lihat
gambar 2). Kemudian, pita input dari ANN
terdiri dari n(n-1)/2 neuron. Jumlah neuron pada
pita output bersesuaian dengan jumlah grup dari
perkiraan gangguan yang akan dibagi.
Kemudian, dari variasi jumlah output neuron
kita dapat menentukan variasi jumlah grup..
Organisasi ANN dapat mengenali dan
mengklasifikasikan grup input vektor yang sama.
Jumlah neuron terbaik akan bersesuaian dengan
jumlah grup yang berkaitan dengan gangguan.
c. Deskripsi Algoritma Genetika
Inisialisasi hibrid telah digunakan untuk
membangkitkan inisialisasi populasi dari
individu. Bagian dari populasi dibuat secara
random. Bagian lain dapat dibuat berdasarkan
pengalaman sebelumnya, algoritma cerdas
misalnya. Pilihan yang tepat untuk ukuran
populasi sangat penting. Dengan sedikit populasi,
proses pembangkitan akan cepat, tetapi jika
ukuran populasi terlalu besar, kecepatan
optimisasi berkurang. Hal ini sangat diperlukan
untuk menemukan keputusan kompromi yang
memuaskan selain kriteria populasi. Berdasarkan
hasil eksperimen, ukuran optimal populasi antara
50-100 individu. Selanjutnya, Algoritma
Genetika akan memperbaharui individu ganda
pada populasi, dan dalam studi kasus, pasangan
individu yang sama dapat dideteksi, satu dari
mereka dihilangkan.
Satu titik pindah silang dan teknik roda
roulette dapat digunakan. Probabilitas pindah
silang adalah 0.84 dan kemungkinan dari mutasi
adalah 0.1.
Fungsi fitnes yang dipilih dari kriteria di atas
adalah :
N
i
T
t
ik dttT
J1 0
2
0
1 , (2)
dimana t-kecepatan rotor dalam interval
waktu (t);
- Kecepatan sinkron;
T – Periode ;
N – jumlah pembangkit;
k – indeks individu dalam populasi.
Karena tujuan optimisasi adalah untuk
Gambar 1. Struktur Fuzzy Logic PSS
Aturan
Tabel Keputusan
Proses
Fuzzy KV
tuning Fuzzy
KP
Sistem Terkontrol
K
P
1 2 3 4
1 1-
2 1-3
1-4
2 2-
3
2-
4
3 3-
4
4
1-2
1-3
1-4
2-3
2-4
3-4
n
2
)1( nn
Initial mutual accelerations
n
Vektor input Kohonen’s map
Nom
or
Klu
ster
Gambar 2. Klasifikasi gangguan dengan Artificial Neural Network
2
)0(2
dt
d
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
23
mengevaluasi pengaruh FL PSS pada proses
transient dalam beberapa gangguan sehingga
kriteria yang diajukan adalah :
M
m
m
kk JJM
J1
2
0
)(1 , (3)
dimana M – jumlah gangguan;
MJJM
m
m
kKk
1
)(
..10 min ;
K– ukuran populasi.
Aplikasi rumus di atas menggantikan
tambahan sederhana yang diijinkan dengan
mempertimbangkan kontribusi yang tepat dari
tiap gangguan untuk mengevaluasi fungsi fitnes.
SIMULASI
Studi ini didasarkan pada studi kasus sistem
tenaga listrik dari berbagai gangguan. Model
yang digunakan adalah model pembelajaran
instrumentasi sistem tenaga program EDSA yang
mengambil sistem tenaga listrik “IrkutskEnergo”.
Model sederhana yang ditunjukkan pada gambar
3. Sistem pembangkit terdiri dari dari
pembangkit hidro dan turbo generator dengan
sistem eksitasi tinggi dengan PSS analog dan Tes
sistem tenaga listrik dikarakteristikan dalam
jumlah besar yang terdiri dari 200 titik (termasuk
40 generator) dan lebih dari 250 saluran transmisi
dan transformator. Koneksi sederhana dapat
dilihat pada representasi saluran pada gambar 3.
Saluran transmisi yang panjang dan aliran daya
yang besar memungkinkan adanya
penyimpangan dari stabilitas transien sistem
tenaga listrik.
Pada awal estimasi terjadi gangguan yang
besar pada stabilitas transient terbentuk (tabel 1).
Hanya gangguan yang besar yang dipilih dengan
rating tegangan 500 kV. Kemudian klasifikasi
dan grup dilakukan untuk menentukan unit
gangguan yang sama sesuai dengan teknik yang
diberikan pada section II.B. Untuk tujuan
tersebut, inisialisasi pembangkitan akselerasi
timbal balik dihitung untuk tiap-tiap gangguan.
Informasi ini digunakan untuk menguji sistem
organisasi ANN.
TABEL 1 DAFTAR ESTIMASI GANGGUAN
Saluran Tak Terkoneksi Nomor Saluran Nomor Saluran Nomor Saluran
1
4
7
10
13
501
572
564
565
501+50
2
2
5
8
11
569
571
563
569+57
0
3
6
9
12
560
561
568
561+56
2
Hubung singkat dua fase + saluran tak terkoneksi darurat
Nomor titik durasi Saluran
14
15
16
17
18
19
20
1500
2500
1505
2540
6503
6500
6510
0,12
0,12
0,12
0,12
0,12
0,12
0,12
561
572
569, 570, 560
501
563
565
564
Variasi jumlah neuron output dari 1 hingga 7,
estimasi gangguan yang variasi dari jumlah grup
kemudian dibagi dengan sesuai. Studi simulasi
ini dibangun menggunakan Neural Network
Toolbox Matlab 14. Hasil dari klasifikasi
gangguan ditampilkan pada gambar 4. Analisis
visual dari estimasi gangguan yang telah
dilakukan dan mengkonfirmasi hasil yang akurat
menggunakan organisasi ANN (gambar 5).
Kemudian sebuah algoritma genetika
diaplikasikan untuk tuning fuzy logic PSS yang
lebih komplek yang terpasang pada generator
pembangkit tenaga air (titik 1500). Pada titik ini
adalah pembangkit dengan daya besar dan
mengontrol frekuensi pada sistem tenaga listrik
keseluruhan. Gangguan nomor 4, 14 dan 18
digunakan sebagai proses optimisasi. Gangguan-
gangguan tersebut adalah yang terbesar pada
level ketiga (gambar 4). Berdasarkan aturan hasil
dari tabel, faktor skala dan keanggotaan fungsi
telah didapatkan. (Tabel 2, Gambar 6).
Perhitungan yang telah dilakukan
menggunakan software PAU [10]. Program ini
dikhususkan untuk model transient proses pada
sistem tenaga listrik yang besar, dan juga
terkandung didalamnya blok-blok model untuk
Fuzy logic dan tuning Algoritma Genetika.
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
24
Tabel indeks j telah dihitung untuk masing-masing
estimasi gangguan (tabel 3). Seperti indeks
performansi (2) juga telah digunakan. Nilai yang lebih
kecil berkaitan dengan performa yang lebih baik.
Selanjutnya, indeks kesimpulan J telah dihitung
berdasarkan rumus (3) yang ditampilkan pada tabel 3.
Studi kasus tersebut dapat didasarkan sebagai berikut :
Gambar 5. Representasi visual dari hasil klasifikasi
Peralatan generator dengan PSS konvensional;
Peralatan generator dengan Fuzy Logic PSS
dengan sistem cerdas (expert system)[10];
Peralatan generator dengan Fuzy Logic PSS
dengan tuning Algoritma Genetika.
Pada gambar 7 dan 8 respon sistem ditunjukkan
untuk gangguan nomor 4 dan 16 dengan
menggunakan PSS konvensional, sistem expert FL
PSS dan FL PSS dengan tuning Algoritma Genetika.
Simulation menunjukkan bahwa semakin besar
Gambar 3. Model Simulasi Sistem Tenaga Listrik
9510
2540
1505 503,
504+
509
510+
511,
512
1500 PLTA
2500 6510 6500
6502
6501
501
502
572
571 561
562 560
568
565
566
569 570
564
563
6200 7220
cogeneration
power plant
203, 204
209, 210
282 9200
cogeneration power plant
PLTA
9202
3210 1225
3200
7200
PLTA
201, 202
2140
1201
2200
PLTA
6503
1209
235,
236
1101 3100 3110 6101 7100
PLTA
Rating Tegangan
500 kV
220kV
110 kV
cogeneration power plant
1-20
12, 14-20 1-11, 13
1-11, 13 17-20 12, 14-16
3-6, 9, 10 1, 2, 7, 8, 11 12, 14-16 13, 17-20
3, 6-10 1, 2, 11, 13, 19 12, 14, 16 4, 5, 15 17, 18, 20
4, 5, 9 11, 13 16, 18 12, 15 17, 19, 20 1-3, 6-8, 10
3, 6, 8-10 4, 5, 15 16, 18 12, 14 17, 19, 20 1, 2, 7, 11 13
Gambar 4 Hasil Klasifikasi Gangguan
t, c
43210
w*,
rad/s
0,1
0,08
0,06
0,04
0,02
0
-0,02
-0,04
t, c
43210
w*,
rad/s
0,3
0,2
0,1
0
-0,1
-0,2
t, c
43210
w*,
rad/s
0
t, c
43210
w*,
rad/s
0,2
0
-0,2
-0,4
-0,6
t, c
43210
w*,
rad/s
1
0
t, c
43210
w*,
rad/s
1
0
-1
t, c
43210
w*,
rad/s
0,2
0,1
0
-0,1
-0,2
-0,3
t, c
43210
w*,
rad/s
0,2
0,1
0
-0,1
-0,2
-0,3
-0,4
t, c
43210
w*,
rad/s
1
0
-1
1
11 17
3 2
6
9 20 19
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
25
efisiensi dari optimisasi FL PSS dibandingkan dengan
tipe lain dari PSS (lihat gambar 7-8 dan tabel 3). Nilai
perhitungan dari indeks J juga dikonfirmasikan
dalam kesimpulan ini.
Dengan pertimbangan proses transient dibawah
gangguan nomor 16 secara detail (lihat gambar 8).
Dalam kasus ini, aplikasi PSS konvensional tidak
diijinkan untuk menjaga stabilitas transient dari
sistem. Kemudian, otomasi darurat digunakan dimana
memutuskan aliran listrik sub sistem ke konsumen tak
mencukupi dan sebagian sub sistem unit mengalami
surplus.
Aplikasi fuzy logic PSS mencegah terjadinya rugi
daya saat stabilitas transient tanpa beroperasinya
beberapa automatic sistem dan secara konsekuen
mengijinkan penyediaan tegangan listrik bagi
konsumen.
TABEL 2
TABEL ATURAN DASAR FL PSS YANG DITERIMA
SETELAH OPTIMISASI DENGAN ALGORITMA
GENETIKA
Speed
deviation
kw= 1,1; kp= 4,2
Acceleration power P
NB NS ZR PS PB
NB NB NS NS NS ZR
NS NM NM NM NS PS
ZR NB ZR ZR ZR PB
PS ZR PS PM PM PB
PB NS PS PM PB PB
a)
b)
Gambar 6. Keanggotaan fungsi variabel input yang
dihasilkan setelah optimisasi dengan AG; a) untuk
sinyal input ; b) untuk sinyal input P.
KESIMPULAN
Dalam karya ilmiah tentang Fuzzy Logic PSS
terhadap peningkatan sistem daya listrik secara luas.
Perbandingan investigasi telah ditunjukkan bahwa
Fuzzy Logic PSS dituning dengan AG lebih efektif
dibandingkan dengan konvensional PSS dan FL PSS
dengan parameter cerdas. Aplikasi dari teknik ini
dapat meningkatkan batas stabilitas transient sistem.
Juga, optimasi Fuzzy Logic PSS menunjukkan
damping yang lebih efektif dari osilasi generator
setelah gangguan yang besar. Pendekatan yang
diajukan untuk kluster gangguan dengan basis ANN
mengijinkan pembangkitan yang lebih korektif
sebagai representasi gangguan dan mengurangi waktu
persiapan pembangkitan.
TABLE III
INDEKS PERFORMA PSS
Nomor
Gangguan
PSS
Konven
sional
FL PSS
Sebelum
optimisasi
Setelah
Optimisasi
1
2
3
4
5
6
7
8
9
10
11
12
13
13+autoreclosi
ng
14
15
16
17
18
19
20
13,0
5,5
10,6
20,2
18,0
9,6
6,9
9,3
10,2
10,8
15,7
25,5
-
31,9
34,3
37,9
-
20,1
24,6
23,4
23,6
11,4
4,6
10,1
20,7
18,8
8,9
6,2
8,4
9,5
9,9
13,1
24,0
-
29,9
31,9
36,6
31,0
16,9
22,3
21,5
21,5
11,4
4,8
8,4
16,8
14,7
7,4
5,0
7,0
8,1
8,2
15,0
23,2
-
27,2
29,9
36,8
29,0
15,6
20,9
19,6
20,0
J 13,76 9,27 8,93
a)
Speed deviation, (p.u.)
Akselerasi Daya, P (p.u.)
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
26
b)
c)
Gambar 7. Respon sistem untuk gangguan no.4 : a)
konvensional PSS, b). FL PSS dengan setting
cerdas, c) FL PSS dengan AG.
a)
b)
c)
Gambar 8. Respon sistem untuk gangguan no.
16, a) konvensional PSS, b) FL PSS dengan
sistem cerdas, c) FL PSS dengan AG
Daftar Pustaka
D. E. Goldberg, Genetic Algorithms in Search,
Optimization, and Machine Learning. Reading,
MA: Addison-Wesley, 1989.
E. Handschin, W. Hoffmann, F. Reyer, e.a., “A new
method of excitation control based on fuzzy set
theory”, IEEE Trans. Power Syst., vol. 9, No. 1,
1994, pp.533-539
F. Cheong, R. Lai, “Constraining the optimization of a
fuzzy logic controller using an enhanced genetic
algorithm”, IEEE Transactions on Systems, Man
and Cybernetics, Part B, vol. 30, 2000, pp. 31–46.
H.-C. Chang and M.-H. Wang, “Neural network based
self organizing fuzzy controller for transient
stability of multi-machine power system”, IEEE
Trans. Energy Convers., vol. 10, No. 2, 1995,
pp.339-347.
J. H. Holland, Adaptation in natural and artificial
systems. An introductory analysis with
application to biology, control, and artificial
intelligence, London: Bradford book edition,
1994, p.211.
J. Wen, S. Cheng, O.P. Malik, “A synchronous
generator fuzzy excitation controller optimally
designed with a genetic algorithm”, IEEE
Transaction on Power Systems., vol. 13, No. 3,
1998, pp. 884-889.
Liang Zhishan, Pan Kaigan and Zhang Huaguang,
“Robust adaptive fuzzy excitation control of
t, c
543210
w*,
rad
/s
1
0
t, c
543210
w*,
rad
/s
1
0
t, c
543210
w*,
rad
/s
1
0
t, c
543210
w*,
rad
/s
10
9
8
7
6
5
4
3
2
1
0
-1
t, c
543210
w*,
rad
/s
2
1
0
-1
t, c
543210
w*,
rad
/s
2
1
0
-1
Time (s)
Spee
d d
evia
tion (
rad/s
)
Time (s)
Spee
d d
evia
tion (
rad/s
)
Time (s)
Spee
d d
evia
tion (
rad/s
)
Time (s)
Spee
d d
evia
tion (
rad/s
)
Time (s)
Spee
d d
evia
tion (
rad/s
)
Time (s)
Spee
d d
evia
tion (
rad/s
)
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
27
multi-machine electric power system”,
Proceedings of POWERCON’98 Conf., Beijing,
China, Aug. 18-22, vol.2, pp. 804-808.
N.I. Voropai, D.N. Efimov, D.B. Popov and P.V.
Etingov, “Fuzzy logic stabilizer modeling in the
transients simulation software”, Proceedings of
International Conference IEEE ISAP’2001,
Budapest, Hungary, June 18-21, 2001, pp. 315-
320.
N.I. Voropai, P.V. Etingov, “Two-stage adaptive
fuzzy PSS application to power systems”.
Proceedings of International Conference on
Electrical Engineering ICEE’2001, Xi’an, China,
July 22-26, vol. 1, 2001, pp. 314-318.
Neural Network Toolbox User’s Guide, MathWorks,
Inc, 1998.
P. Lakshmi, M. Abdullah Khan, “Stability
enhancement of a multimachine power system
using fuzzy logic based power system stabilizer
tuned through genetic algorithm”, International
Journal of Electric Power and Systems, No. 22,
2000, pp.137-145.
S. Cheng, O.P. Malik, G.S. Hope, “Self tuning
stabilizer for a multi-machine power system”, IEE
Proceedings, Part C., No.4, 1986, pp.176-189.
T. Hiyama, “Application of rule-based stabilising
controller to electrical power system”, IEE
Proceedings-Generation, Transmission and
Distribution, C, vol. 136, No. 3, 1989, pp.175-181
T. Kohonen, Self-Organization and Associative
Memory, 2nd Edition, Berlin: Springer-Verlag,
1987.
Y. Zhang, O.P. Malik, G.P. Chen, “Artificial neural
network power system stabilizers in multi-
machine power system environment”, IEEE
Transactions on Energy Conversion., vol. 10, No.
1, 1995, pp. 147-153.
Jurnal Teknika ISSN : 2085 - 0859 Fakultas Teknik Universitas Islam Lamongan Volume 1 No.2 Tahun 2009
28
Halaman ini sengaja dikosongkan
Klasifikasi Penyakit Kencing Manis (Diabetes Mellitus) Menggunakan
Jaringan Syaraf Tiruan Dengan Metode Backpropagation