Economic Scheduling Pembangkit Termal(1)

Economic Scheduling Pembangkit TermalMenggunakan Improved Particle Swarm Optimization

Muharnis1 , Hadi Suyono2Pasca Sarjana Program Magister dan Doctor Teknik Elektro1

Teknik Perkapalan Politeknik Negri Bengkalis1Teknik elektro Universitas Brawijaya Fakultas Teknik Universitas Brawijaya2

E-mail:[email protected] ,[email protected], [email protected]

AbstrakPengoperasian pembangkit secara ekonomis merupakan tujuan dari pengoperasian suatu sistem tenaga listrikdimana kebutuhan beban terpenuhi dengan biaya yang minimum. Permasalahan yang penting didalampenjadwalan pembangkit thermal yaitu pemakaian bahan bakar, rugi-rugi saluran serta effisiensi darigenerator.Penelitian ini bertujuan untuk dapat menghasilkan penjadwalan pembangkit thermal dengan biayaminimum dengan menggunakan teknik Improved Particle Swarm Optimization untuk meminimalkan suatufungsi biaya bahan bakar dengan batasan (constrain) yang diberikan yaitu daya output minimum daripembangkit dan daya yang dibangkitkan dengan memperhitungkan rugi-rugi saluran transmisi.

Kata Kunci: economic scheduling,pembangkit thermal,rugi-rugi transmisi,IPSO

I. PENDAHULUANTekhnologi yang semakin berkembangmengakibatkan kebutuhan energi listrikmeningkat dan beban selalu berubah setiapsaat. Pada kondisi ini pembangkit harusmampu melayani beban dengan biayapembangkitan minimal. Untuk itupembangkit harus dilakukan penjadwalanunit pembangkit tanpa mengurangi syaratpelayanan dan biaya yang minimal. Untukitu diperlukan suatu metode untukmelakukan penjadwalan unit pembangkitdengan memperhatikan segi ekonomis(economic scheduling).Pembangkit listrik tenaga termal adalahpembangkit listrik yang mengubah energipanas menjadi energi listrik, denganmemanfaatkan energi dari pembakaran darisuatu zat. Zat tersebut menghasilkan energidalam bentuk aliran tekanan untukmenggerakan turbin generator hinggamenghasilkan energi listrik. Energi panasdihasilkan dari proses pembakaran sepertiminyak, gas, batubara dan lain-lain.Sedangkan penggunaan bahan bakar berupapanas bumi (PLTPB) sangat mahal, olehsebab itu mengoperasikan sebuah unitpembangkit termal perlu dilakukanpenjadwalan terhadap operasi unitpembangkit sehingga diperoleh biayaoperasi yang ekonomis.

Perkiraan beban merupakan hal yangpenting dalam perencanaan danpengoperasian sistem daya. Penjadwalanpembangkit dilakukan berdasarkanperkiraan beban, baik beban jangka pendek,menengah maupun jangka panjang.Persoalan dalam penjadwalan adalahmencari pembangkit mana yang harusdiaktifkan dan berapa tenaga yang harusdihasilkan bila terjadi suatu permintaanbeban. Penjadwalan pembangkit dilakukandengan batasan, yaitu terpenuhinyakebutuhan daya dari sistem tenaga listrik(equality constraint), dan tetap berada padabatas minimum dan maksimum dari dayayang dapat dibangkitkan oleh generator(inequality constraint). Dari n buah unitpembangkit, jumlah kombinasi on/offnyaadalah 2n - 1 buah kombinasi. Darikombinasi on/off unit pembangkit, akandipilih kombinasi mana yang akandigunakan untuk penjadwalan pembangkitdan dihitung biaya (economic dispatch)untuk setiap kombinasi yang dijadwalkan.Solusi dari masalah penjadwalan telahmenjadi perhatian banyak peneliti denganberbagai metode baik secara deterministikmaupun undeterministik. Dalam penelitianini digunakan metode optimasi denganmenggunakan metode langrange (secaradeterministic) dan metode IPSO yang

Jurnal Inovtek Volume 2, No 1, Juni 2012 hlmn 70-78

71

merupakan pengembangan dari PSO standartdengan menambahkan chaotic sequence denganUpdate velocity pada indvidu imenggunakan Inertia Weigth Aproach(IWA),dan hasil dari kedua metode tersebutdibandingkan.

II. TINJAUAN PUSTAKAPark, Jeong dan kawan-kawan (2006)menggunakan Metode Improved ParticleSwarm Optimization (IPSO) dalammemecahkan permasalahan fungsi biaya(economic dispatch) dengan katup pointeffect. Metode IPSO telah memberikansolusi global dalam tes 3-unit sistem dansolusi yang lebih baik dari studi sebelumnyadengan 40-unit dengan mempertimbangkanbeberapa bahan bakar serta daerahpengoperasian dari unit pembangkitnya.

Penggunaan aplikasi fuzzy logic dalampenjadwalan pembangkit thermal cenderungterjadi peningkatan effisiensi ketika bebanpembangkit termal semakin tinggi denganrespon pengaturan yang lebih halus,dibandingkan dengan metode konvensional,hal tersebut dinyatakan oleh HarunNajamudding dan Akil Yusril pada tahun2008.

Hota.P.K, Barisal.AK, dkk (2009)menggunakan teknik IPSO untuk masalahpenjadwalan jangka pendek hidrotermal,dimana penggunaan metode IPSOmemberikan solusi terbaik untuk sistemhidrotermal dalam hal kecepatankonvergensi dibandingkan dengan metodeheuristik lain seperti metode IFEP dan DE.

2.1 Operasi Ekonomis PembangkitTermal Dengan MemperhitungkanRugi-Rugi Transmisi

Biaya operasi dari suatu sistem tenagalistrik merupakan biaya terbesar dalampengoperasian suatu perusahaan listrik.Pada operasi sistem tenaga listrik, biayabahan bakar menempati biaya yang terbesaryaitu 80% dari biaya operasi secarakeseluruhan. Ada beberapa cara untuk

menekan biaya operasi dalam penjadwalanpembangkit yaitu: Berdasarkan Umur Pembangkit. Berdasarkan Daya Guna Pembangkit. Berdasarkan Peningkatan Biaya

Produksi yang sama (equalincreamental cost).

Pembangkit listrik tenaga termal merupakanpembangkit yang menggunakan bahanbakar berbentuk padat, cair, dan gas. Energipanas dihasilkan dari proses pembakaran.Perhitungan optimal diterapkan padapembangkit termal dimulai denganpertimbangan harga bahan bakar termurah.

Harga bahan bakar berubah secara tidaklinear dengan bertambahnya daya outputyang dihasilkan. Diperlukan suatu metodeuntuk melakukan penjadwalan unitpembangkit dengan memperhatikan segiekonomis (economic scheduling). Tujuandari penelitian ini yaitu dapat memberikankontribusi nyata bagi perusahaanpembangkitan tenaga listrik untukmengoptimalkan penjadwalan pembangkittermal untuk memperoleh efisiensi biayabahan bakar dengan tetap terpenuhinyakebutuhan beban dari sistem. Faktor yangmempengaruhi pengiriman daya yangoptimal yaitu operasi generator yangefisien, biaya bahan bakar serta rugi-rugisaluran. Stasiun pembangkit yang jauh daripusat beban, rugi daya transmisinya besar,menyebabkan pembangkit menjadi sangattidak ekonomis, karena rugi-rugi transmisimerupakan kehilangan daya yang harusditanggung oleh pembangkit. Untuk itudiperlukan penjadwalan operasi pembangkityang ekonomis (economic scheduling).Karakteristik input-output unit pembangkittermal dapat digambarkan melalui kurvalaju panas yang direpresentasikan sebagaiinput total yang diukur dalam rupiah perjam dan output daya listrik dalam MW yangdisediakan oleh sistem pembangkit tenagalistrik.


72

Gambar 1. Kurva Input-Output UnitPembangkit Termal (Ideal)

(Sumber Allen J. Wood 1996)

Penentuan parameter ai, bi dan cimembutuhkan data yang diperoleh dari hasilpercobaan yang berhubungan dengan inputbahan bakar Hi (rupiah/jam) dan outputpembangkit Pi (MW).Karakteristik input output unit pembangkitdapat dinyatakan sebagai berikut:1. Input dari pembangkit dinyatakan

dalam :H : Mbtu/jam (energi panas yang

dibutuhkan), atauF :Rp/jam (total biaya bahan bakar)

2. Output dari pembangkit dinyatakandalam :P : MW (daya).

Unit pembangkit termal mempunyai bataskritis operasi minimum dan maksimum.Batas beban minimum secara umumdisebabkan oleh kestabilan pembakaran danmasalah desain generator.Biaya bahan bakar dapat digambarkansebagai fungsi kwadrat dari daya nyatayaitu:

2)( iiiiiii PcPbaPF ( 1)dengan

iF : Input bahan bakar pembangkittermal ke- i (liter/jam)

iP : Output pembangkit termal ke- i(MW)

iii cba ,, : Konstanta input-outputpembangkit termal ke- i .i : indeks pembangkit ke i (i =1,2,3,...n)

Turunan biaya bahan bakar terhadap dayanyata dari persamaan (1) adalah sepertipada persamaan berikut:= + 2

(2)Untuk menentukan total biaya produksipada n unit pembangkit adalah sebagaiberikut: = + + += ( )

(3)dengan:

FT : total biaya pembangkit ke - iFi(Pi) : fungsi biaya pembangkit ke - iN : banyaknya pembangkiti : indeks pembangkit ke-i (i =

1,2,3,.....n)Pembagian pembebanan pada setiap unitpembangkit sehingga diperoleh biayaoperasional tiap unit pembangkit yangekonomis dengan menggunakan batasanequality dan inequality constrains. Fungsibiaya dari tiap generator dapatdiformulasikan secara matematis. Sepertipada persamaan (2)dan (3) diatas.

Output setiap unit generator mempunyaibatas minimum dan maksimumpembangkitan yang harus dipenuhi(inequality constrain) yaitu :

maxmin iii PPP (4)Dengan Pi min, Pi max adalah output dayaminimum dan maksimum generator i.Pada kesetimbangan daya, equalityconstraint harus dipenuhi yaitu total dayayang dibangkitkan oleh masing-masing unitpembangkit harus sama dengan totalkebutuhan beban pada sistem.

Equality constraint kesetimbangan dayaadalah[7] :

LR

N

ii PPP

1(5)

dengan :Pi : Output masing-masing generator

(MW).PR : Total kebutuhan beban pada

sistem (MW).PL : Rugi-rugi saluran (MW).


73

Dengan menggunakan analisa aliran dayasalah satunya metode newton raphson dapatdihitung rugi-rugi saluran .

2.2 Teknik Improved Particle SwarmOptimization

Teknik Improved Particle SwarmOptimization merupakan modifikasi daripersamaan dasar algoritma PSO standar.Pada PSO standar kecepatan particle diupdate terlalu cepat dan nilai minimumfungsi tujuan yang dicari sering terlewati.Sehingga perlu dilakukan modifikasi atauperbaikan terhadap PSO standar, salahsatunya dengan menambahkan suatu terminersia ( ) untuk mengurangi kecepatanpada formula update kecepatan [6].Biasanya nilai ( ) dibuat sedemikian rupasehingga semakin besar iterasi yang dilalui,semakin mengecil kecepatan particle. Nilaiini bervariasi secara linier dalam rentang 0.4hingga. 0.9 Adapun persamaan IPSOdengan menggunakan Inertia WeigthAproach (IWA) seperti pada persamaan (6)berikut:= + +( ) (6)dengan :c1 dan c2 : coefisien accelerationrand1 ,rand2 : bilangan random antara (0-1)

: posisi particle i pada iterasi k: posisi terbaik i (personal

best): posisi terbaik i (global best)

pada suatu populasi (swarm): kecepatan perubahan posisi

(velocity) dari particle i padaiterasi k.

: Update posisi pada iterasik+1

: Update kecepatan velocitypada iterasi k+1

: Parameter weight denganmenggunakan chaoticsequences.

Penggunaan Inertia Weigth Aproach (IWA)untuk meredam kecepatan selama iterasi,yang memungkinkan suatu swarm(populasi) menuju titik target secara lebihakurat dan efisien dibandingkan denganPSO standartnya [6]. Pada proses updatevelocity ini, nilai-nilai parameter seperti ,c1 dan c2 harus ditentukan terlebih dahulu.Secara umum parameter weight diperolehdengan menggunakan Pers (6) := (7)dengan:, : bobot awal dan bobot akhir

(0,9-0,4): jumlah iterasi maximum: jumlah iterasi sekarang

Particle berpindah dari posisi awal ke posisiberikutnya dengan update posisi awalparticle dengan menjumlahkan posisi awalparticle dengan kecepatan velocity awal.Seperti pada ditujukkan pada persamaanberikut: = + (8)Dan pada metode IPSO digunakan teknikchaotic sequences dengan menggabungkanconstriction factor untuk memperbaikikemampuan penelusuran nilai fitnessterbaik. Persamaannya sebagai berikut:= . . (1 ) (9)dengan

: constriction factor: mempunyai nilai

{0,025;0.50;0.75;1.0}.: 4,0

Sehingga parameter enertia weight denganmenggunakan chaotic sequences menjadi:= . (10)Pada gambar 2. menunjukkan konsepmekanisme pencarian PSO denganmodifikasi velocity dan posisi individu ijika nilai , c1 dan c2 rand1, rand2 adalah:


74

G

P

G b estVi

kibest

kbest

PbestiV

kiV

kiX

1kiV

1kiX

Gambar 2. Konsep Modifikasi PenelusuranPoint Pada PSO

(Sumber :Mourice Clerc ,2005)

2.3. Implementasi Algoritma ImprovedParticle Swarm Optimization PadaPenyelesaian PenjadwalanPembangkit.

Untuk mengetahui implementasi algoritmaIPSO didalam penyelesaian penjadwalanpembangkit sangat dipengarugi olehbeberapa parameter diantaranya:

1. Swarm (populasi)Swarm merupakan suatu kumpulandari individu tunggal yang disebutdengan particle. Ukuran swarm ataupopulasi yang dipilih adalahtergantung pada persoalan yangdihadapi. Indivu-individu tunggaldalam swarm dianologikan sebagaisuatu himpunan solusi dari suatupermasalahan optimasi. Dalampenelitian ini adalah kombinasipenjadwalan pembangkit yang yangada berdasarkan 2n 1, misalnya padasistem yang digunakan memiliki 6pembangkit, sehingga jumlahkombinasi penjadwalan yang dapatdibuat adalah 63 kombinasi.Selanjutnya kombinasi penjadwalanini akan dipilih berdasarkan batasan .

2. Jumlah ParticlePencarian nilai optimum dalam PSOdilakukan secara simultan terhadapsejumlah nilai solusi yang disebutdengan swarm. Dalam penelitian ini

berupa nilai random dari batas dayaminimum serta maksimumpembangkitan dari kombinasipenjadwalan yang terpilih. Semakinbesar jumlah particle yang digunakanakan membuat perhitungan semakinlama. Akan tetapi jika particle yangdigunakan terlalu sedikit, makaprobabilitas dalam menemukansolusi yang lebih baik menjadi lebihkecil. Jumlah particle yangdigunakan umumnya antara 20 50particle [6].

3. Inertia WeightDalam IPSO, inertia weightmerupakan suatu nilai tern yangditambahkan untuk mengurangikecepatan pada formula update kecepatanpada PSO standart. Biasanya nilai ( )dibuat sedemikian rupa sehinggasemakin besar iterasi yang dilalui,semakin mengecil kecepatan particle.Nilai yang digunakan adalah untuk

= 0,9 dan = 0,4. Nilaibobot digunakan untuk meredamkecepatan (velocity) selama iterasi,yang memungkinkan suatu swarmmencapai titik target lebih akurat danefisien (nilai konvergen). Nilai bobotyang diinginkan adalah nilai bobotyang dapat menjaga keseimbanganuntuk pencarian Pbest dan Gest .

4. Velocity (kecepatan)Suatu nilai kecepatan vektor yangmenggerakkan proses optimisasi yangmenentukan arah di mana suatuparticle diperlukan untuk berpindahuntuk memperbaiki posisinya semula.

5. Koefisien AccelerationNilai untuk koefisien akselerasi yaitunilai c1 dan c2 yang menunjukkanbobot dari sebuah particle terhadapposisi dari suatu kelompok. Nilaikoefisien acceleration dapatditentukan sendiri, biasanya nilainyaberada dalam rentang 0 sampai 4 .Selain nilai c1 dan c2, koefiseienacceleration yang lainnya adalah nilairand1 dan rand 2 yang nilainya antara0 dan 1.


75

6. Fungsi objectiveMerupakan suatu persamaan darisebuah persoalan optimasi. Didalampenelitian ini fungsi objectivenyamerupakan fungsi biayapembangkitan suatu sistem dalam halini adalam sistem 500kV Jawa-Bali.

7. Pbest dan GbestPbest merupakan suatu posisi nilaiterbaik pada suatu particle darisebuah persoalan optimasi, dan Gbestmerupakan suatu posisi nilai terbaikdari seluruh nilai yang diperoleh darikumpulan swarm. Dan dalampenelitian ini, nilai Pbest dan Gbestadalah nilai daya keluaran pembangkityang optimal yang dibangkitkanberdasarkan batasan daya output tiapunit pembangkit.

III. FLOWCHART ALGORITMAYANG DIUSULKAN

Analisis komputasi dengan metodeImproved Particle Swam Optimizationseperti pada diagram alir pada gambar 3untuk memperoleh besar pemakaian bahanbakar pembangkit termal.

Gambar 3. Diagram Alir Improved Particle

Swarm Optimization

IV. HASIL DAN PEMBAHASANPenyelesaian masalah Penjadwalanpembangkit dengan menggunakan IPSO,yaitu dengan meminimalkan biaya bahanbakar diaplikasikan pada enam unitpembangkit termal pada sistem 500kV JawaBali yaitu pada satu contoh beban pada saatbeban puncak 10361 MW pada tanggal19April 2011 jam 19.30 WIB. Sistemtenaga listrik Jawa-Bali dibagi menjadi 4(empat) region. Jakarta Raya & Bantendisebut region 1, Jawa Barat disebut region2, Jawa Tengah dan D.I.Y. disebut region 3,serta Jawa Timur dan Bali disebut region 4.Sistem interkoneksi tenaga listrik 500 kVJawa-Bali yang terdiri dari 25 (dua puluh


76

lima) bus, 30 (tiga puluh) saluran transmisidan 8 (delapan) pembangkit tenaga listrik.Pembangkit pembangkit yang terpasangantara lain pembangkit Suralaya pada bus 1,pembangkit Muara tawar pada bus 8,pembangkit Cirata pada bus 10, pembangkitSaguling pada bus 11, pembangkit Tanjungjati pada bus 15, pembangkit Gresik padabus 17, pembangkit Paiton pada bus 22, danpembangkit Grati pada bus 23. Kedelapanpembangkit tersebut terhubung interkoneksimelalui saluran transmisi 500 kV Jawa-Bali. Pembangkit tersebut terhubung ke busbeban melalui saluran dengan jeniskonduktor yang berbeda-beda. Gambar 4menunjukkan one line diagram sistem500kV Jawa-Bali. Gambar 4 Single Line Diagram Sistem

500 Kv Jawa-Bali

Batasan kemampuan daya aktif dan reaktifdari pembangkit adalah seperti pada tabeltabel 1 berikut:

Tabel 1 Batas Daya Aktif Dan ReaktifNo Pembangkit Daya Aktif (MW) Daya Reaktif (MVAR)Minimum Maksimum Minimum Maksimum1 Suralaya 1500 3400 -600 20402 Muaratawar 1040 2200 -700 15403 Cirata 400 1008 -488 4884 Saguling 400 700 -140 4405 Tanjung Jati 600 1220 -240 7206 Gresik 238 1050 -610 6607 Paiton 1425 3254 -840 19208 Grati 150 827 -302 566

Sumber : PT PLN (Persero)

Persamaan koefisien biaya masing masing pembangkit pada sistem 500 kV Jawa Baliseperti pada tabel 2.

Tabel 2 Fungsi Biaya Pembangkit Sistem Interkoneksi 500 kV Jawa BaliNo Pembangkit Fungsi Biaya (Rp/Jam)

1 Suralaya C1 = 65,95 P12 + 395668,05 P1 + 31630,21

2 Muaratawar C8 = 690,98 P82 + 2478064,47 P8 + 107892572,17

3 Cirata C10 = 6000 P104 Saguling C11 = 5502 P115 Tanjung Jati C15 = 21,88 P152 + 197191 P15 + 1636484,18

6 Gresik C17 = 132,15 P172 + 777148,77 P17 + 13608770,96

7 Paiton C22 = 52,19 P222 + 37370,67 P22 + 8220765,38

8 Grati C23 = 533,92 P232 + 2004960,63 P23 + 86557397,40

Sumber : PT PLN (Persero)


77

Hasil simulasi penjadwalan denganmenggunakan metode IPSO denganmembandingkan dengan algoritma PSO

pada sistem 500 kV Jawa Bali sepertipada tabel (3) berikut ini:

Tabel 3 Hasil Simulasi Penjadwalan Pembangkit Sistem 500 kV Jawa Bali MenggunakanMetode IPSO

No Pembangkit IPSO PSODaya(MW) Biaya (Rp) Daya(MW) Biaya (Rp)1 Suralaya 3399,980 2.107.552.166,799 3999,974 2107547694,2832 Muaratawar 1040,000 3.432.443.588,970 1092,813 3641148223,1773 Tanjung Jati 600,000 127.828.340,180 725,684 156257867,7254 Gresik 420,864 364.090.165,752 283,000 206055682,8205 Paiton 3254,000 682.439.575,600 3254,000 682439575,6006 Grati 150,000 399.314.691,900 150,000 399314691,900Total biaya(Rp) 7.113.668.529,210 7.192.763.735,505Total daya(MW) 10.511,244 10506,871Total beban(MW) 10361 10361Total losses(MW) 150,244 145,871Time computing 11,074 9,830

Gambar 5. Kurva Perbandingan BiayaPenjadwalan Pembangkit MenggunakanMetoda IPSO Dan PSO Menggunakan Data

Sistem 500kv Jawa-Bali

Dari tabel 3 perbandingan penjadwalanpembangkit dengan menggunakan algoritmaIPSO akan diperoleh daya aktif ekonomisuntuk masing-masing unit pembangkituntuk melayani kebutuhan beban sebesar10361 MW dengan biaya sebesar7.113.668.529,210 Rp/jam. Total dayayang dibangkitkan adalah sebesar10511,244 MW dengan memperhitungkanrugi-rugi saluran sebesar 150,244 MWsehingga total beban ditambah dengan rugi-rugi maka akan diperoleh daya sebesar10361 MW. Hasil ini menunjukkan bahwabatasan keseimbangan daya (equalityconstrains) telah terpenuhi. dimana total

daya yang dihasilkan pembangkit (Pi)dikurangi dengan rugi-rugi saluran (PL)akan sama dengan beban (PD) atau dengankata lain bahwa total daya yangdibangkitkan (Pi) akan sama dengan dayabeban (PD) ditambah dengan rugi-rugisaluran (PL). Dan daya yang dibangkitkantiap unit pembangkit sudah sesuai dengankemampuan tiap unit pembangkitnya(inequality constrains). Dibandingkanmenggunakan algoritma PSO dimana biayapembangkitannya adalah sebesar7.192.763.735,505 Rp/jam dengan bebanyang sama yaitu 10361 MW dan rugi-rugisaluran sebesar 145,871 MW. Dari tabel 3terlihat bahwa dengan menggunakanalgoritma IPSO biaya yang diperlukan lebihkecil dari pada dengan menggunakanalgoritma PSO dengan selisih biaya sebesar79,09 Rp/jam Untuk waktu komputasi yaitukecepatan konvergensi dalam memperolehnilai optimum metode IPSO lebih lambathal ini disebabkan adanya faktor parameterchaotiq sequence dengan menggabungkanconstriction factor untuk memperbaikikemampuan penelusuran global yaituparameter miu () dan fo yang dapatmemperlambat kecepatan velocity selamaiterasi yang memungkinkan suatu swarm(populasi) menuju titik target secara lebihakurat dan efisien dibandingkan dengan


78

PSO standartnya. Dari kurva pada gambar5 terlihat bahwa pada metode PSO nilaioptimum dicapai pada iterasi ke 8sedangkan pada metode IPSO nilaioptimum dicapai pada iterasi ke 12sehingga kecepatan konvergen pada metodePSO lebih cepat daripada metode IPSO.

V. KESIMPULAN DAN SARAN5.1. KesimpulanDari hasil simulasi pada sistem Jawa-Bali500kV terlihat penggunaan IPSO lebihekonomis dengan total daya yangdibangkitkan adalah sebesar 10511,244MW dengan rugi-rugi saluran sebesar150,244 MW sehingga total bebanditambah dengan rugi-rugi maka akandiperoleh daya sebesar 10361 MW. Biayapembangkitan sebesar 7.113.668.529,210Rp/jam. Sedangkan algoritma PSO biayapembangkitannya adalah sebesar7.192.763.735,505 Rp /jam dengan bebanyang sama yaitu 10361 MW dan rugi-rugisaluran sebesar 145,871 MW. Selisih biaya

kedua algoritma adalah sebesar 79,09Rp/jam. Dari kurva terlihat bahwa padametode PSO nilai optimum dicapai padaiterasi ke 8 sedangkan pada metode IPSOnilai optimum dicapai pada iterasi ke 12sehingga kecepatan konvergen pada metodePSO lebih cepat daripada metode IPSO.

5.2. SaranDari hasil dan analisa yang dilakukan,dirasakan bahwa masih diperlukannyapenelitian lebih lanjut untuk pengembanganserta memperbaiki hasil yang telahdiperoleh dengan menambahkan constrainsseperti minimum up time dan minimumdown time. Sehingga metode yang dapatdikembangkan lebih lanjut untuk lebihmemperbaiki performansinya. Metode inidapat dikombinasikan dengan metode lainuntuk mendapatkan nilai total biayapembangkitan, rugi transmisi danpenerapannya pada real sistem secara on-line untuk menangani permasalahanpenjadwalan pembangkit.

VI. DAFTAR PUSTAKAHota P.K, Barisal A.K. dan Chakrabarti R, 2009, An Improved PSO Technique for Short-

Term Optimal Hydrothermal Scheduling, Electric Power Systems Research.

Ilyas Andi Muhammad , Optimisasi Pembangkit Termal Sistem Transmisi 500 Kv Jawa BaliMenggunakan Modified Improved Particle Swarm Optimization (Mipso)

Marsudi Djiteng, 2006, Operasi Sistem Tenaga Listrik, Graha Ilmu, YogyakartaNadjamuddin Harun dan Yusril.S.Akil, 2008, Aplikasi Teknik Kendali Cerdas Pada

Penjadwalan Pembangkit Tenaga Listrik, Journal Informasi Teknologi,Vol 4,no 2 hal 126-133,ISSN 0653-1597, Makasar.

Park Jong-Bae, JeongYun-Won dkk, 2006, An Improved Particle Swarm Optimization forEconomic Dispatch with Valve-Point Effect, International Journal of Innovations inEnergy Systems and Power, Vol. 1, no. 1 Seoul Korea.

Sentosa Budi dan Willy Paul, 2011, Metode Metaheuristik Konsep dan Implementasi, GunaWidya,Surabaya

Wood Allen J, Wollenberg Bruce F, 1996, Power Generation, Operational, and Control,Second Edition, Jhon Wiley & Sons, Inc.

Economic Scheduling Pembangkit Termal(1)

Documents

Transcript of Economic Scheduling Pembangkit Termal(1)