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


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


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.


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


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.)


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

)


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.


28

Halaman ini sengaja dikosongkan

Klasifikasi Penyakit Kencing Manis (Diabetes Mellitus) Menggunakan

Jaringan Syaraf Tiruan Dengan Metode Backpropagation

4. Aplikasi Fuzzy Logic PSS PadaStabilitas Transient Sistem Tenaga Listrik

Documents

Transcript of 4. Aplikasi Fuzzy Logic PSS PadaStabilitas Transient Sistem Tenaga Listrik