Upload
dui-insight
View
64
Download
0
Embed Size (px)
DESCRIPTION
algoritma genetika kecerdasan buatan
Citation preview
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 1/18
PENDEKATAN ALGORITMA GENETIKA UNTUK PEMECAHAN
PERMASALAHAN POWER FLOW OPTIMAL AC-DC
S. B. WARKAD, DR. M. K. KHEDKAR, DR. G. M. DHOLE
Fakultas Teknik Elektro, Institut Teknologi Nasional Visvesvaraya, Nagpur, IndiaFakultas Teknik Elektro, Institut Teknologi Nasional Visvesvaraya, Nagpur, India
Fakultas Teknik Elektro, Universitas Shri Sant Gajanan Maharaj, IndiaE-ail! sanjay"#arkad$redi%ail&'o
Abstrak
Dalam dekade terakhir, pasar listrik secara signifikan direstrukturisasi di negara
maju dan berkembang. Di dalamnya, Optimal Power Flow ( OPF ) yang muncul
sebagai fungsi operasi dan kontrol utama dari pembangkit listrik. OPF adalah
masalah optimasi, dimana utilitas berusaha untuk meminimalkan biaya
pembangkitan sementara memenuhi semua kebutuhan, sementara sistem operasi
dalam batasbatas keamanan. Dalam beberapa tahun terakhir, penggabungan
himpunan bagian transmisi !igh "oltage Direct #urrent ( !"D# ) dalam jaringan
transmisi $# membawa perubahan technokomersial yang signifikan ditransmisi
tenaga listrik di negaranegara berkembang. %ulisan ini bertujuan untuk ( & )
menyajikan 'enetik algoritma untuk memecahkan OPF, ( ) formulasi masalah
dengan penggabungan link !"D# di $# sistem transmisi , ( ) menunjukkan
metodologi yang diusulkan untuk sistem *+++ uji dan kompleks
dan sistem kekuasaan yang sesungguhnya dari *ndia dan ( ) untuk menilaikinerja '$OPF dengan OPF tradisional -etode . -akalah ini menyimpulkan
bahwa skema yang diusulkan adalah efektif untuk situasi jaringan nyata dalam
negaranegara berkembang.
Kata Ku!" ! Optimal Power Flow, Algoritma Genetika, transmisi HVDC.
# . PENDAHULUAN
Dalam sistem tenaga listrik,
Optimal Power Flow (OPF) adalah
pemrograman nonlinier, digunakan
untuk menentukan output
pembangkitan, tegangan pada bus
dan transformator dengan tujuan
untuk meminimalkan biaya
pembangkitan total. aat ini,
penerapan OPF adalah penting untuk
$nalisis dan operasi sistem tenaga
listrik. Dalam suatu lingkungan yang
dideregulasi dari industri listrik, OPF
telah digunakan untuk menilai /ariasi
spasial dari harga listrik.
Dalam sebagian besar
formulasi umum, OPF adalah
nonlinear, noncon/e0, skala besar,
masalah optimisasi statis dengan
kedua /ariabel kontrol kontinyu dan
diskrit. *tu karena adanya aliran
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 2/18
listrik nonlinier dan kendala
kesetaraan. Diskrit /ariabel kontrol,
seperti perangkat shunt switchable,
posisi tap trafo, dan Phase
shifter dll.
OPF efektif dibatasi oleh
tinggi dimensi dari sistem tenaga dan
incomplete domain dari teknik sistem
tenaga. Prosedur optimasi numerik
didasarkan pada 1inearisasi berturut
turut menggunakan turunan pertama
dan kedua dari fungsi obyektif dan
digunakan sebagai petunjuk
pencarian atau dengan solusi
pemrograman linear untuk model
yang tepat. 2euntungan dari metode
tersebut karena menggunakan dasar
dasar matematika, namun memiliki
kelemahan dalam kepekaan terhadap
rumusan masalah, seleksi 3 algoritma.
ejak OPF diperkenalkan pada tahun &456, beberapa metode
telah digunakan untuk memecahkan
masalah ini, 'radient base, metode
pemrograman 1inear dan
pemrograman kuadrat. 7amun,
semua metode ini memiliki masalah.
Pertama, mereka mungkin tidak
mampu menyediakan solusi optimal.
8eberapa metode, bukanmemecahkan masalah original,
melainkan memecahkan masalah
2arush 2uhn 9 %ucker (22%)
kondisi optimalitas. :ntuk masalah
optimasi e;ualityconstrained, kondisi
22% di set persamaan nonlinear ,
yang dapat diselesaikan dengan
menggunakan algoritma 7ewton
type. Dalam 7ewton OPF < & = ,
ketidaksamaan kendala telah
ditambahkan sebagai kuadrat
penalti pada permasalahan objektif,
dikalikan dengan penalti yang
sesuai. -etode *nterior Point (*P)
menkon/ersi ketidaksetaraan
menjadi kesetaraan dengan
menggunakan pengenalan /ariabel
nonnegatif slack. Fungsi barrier
logaritmik dari /ariabel slack
ditambahkan ke fungsi objektif,
dikalikan dengan parameter
penghalang, yang secara bertahapdikurangi menjadi nol selama proses
solusi. $lgoritma unlimited point
menggunakan transformasi slack dan
/ariabel ganda, kemudian merubah
masalah OPF kondisi 22% menjadi
persamaan nonlinier, kemudian
menghindari aturan heuristik
untuk pengurangan parameter
penghalang dipergunakan metode *P.
:paya terbaru untuk mengatasi
keterbatasan pemrograman
matematika termasuk metode
aplikasi simulasi anealingtype, dan
algoritma genetika ('$s) dll.
'$s dasarnya algoritma
pencarian berdasarkan genetika
natural. -ereka menggabungkan
solusi e/aluasi dengan acak,
pertukaran informasi terstruktur antara solusi untuk mendapatkan
optimalitas. '$s adalah metode yang
kuatkarena pembatasan ruang solusi
tidak dibuat selama proses tersebut.
2ekuatan '$s berasal dari
kemampuannya untuk meng
eksploitasi struktur informasi dari
perkiraan solusi sebelumnya dengan
tujuan untuk meningkatkan kinerja
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 3/18
solusi masa depan. '$s barubaru ini
menemukan aplikasi yang luas dalam
memecahkan pencarian masalah
optimasi global yang ketika
teknik bentuk optimasi tertutup tidak
bisa diterapkan. '$ lebih cenderung
kon/ergen menuju solusi global
karena, secara bersamaan,
menge/aluasi banyak titik dalam
ruang parameter. >adi tidak perlu
berasumsi bahwa ruang pencarian
terdiferensialkan atau berkelanjutan.Dalam, 'enetic $lgoritma Optimal
Power Flow ('$OPF) masalah
terpecahkan berdasarkan penggunaan
algortitma genetika load flow, dan
untuk mempercepat konsep,
diusulkan untuk menggunakan
informasi gradien dengan metode
yang layak. -etode ini tidak sensitif
terhadap starting poin dan mampu
menentukan solosi global
yang optimal bagi OPF untuk
berbagai kendala dan fungsi
obyektif. Dalam Pendekatan
$lgoritma 'enetik, /ariabel kontrol
dimodelkan sebagai generator output
daya aktif dan tegangan, perangkat
shunt, dan keran trafo. 8ranch flow,
reaktif generation, dan besarnya
tegangan magnitude kendala telahdipergunakan sebagai istilah
hukuman kuadrat dalam '$ Fitness
Function (FF). Dalam, '$ digunakan
untuk memecahkan masalah daya
optimal untuk pasar multinode.
Pendekatan '$OPF
mengatasi keterbatasan pendekatan
kon/ensionaln dalam pemodelan
fungsi non con/e0 cost, diskrit
/ariabel kontrol. 7amun, tidak dalam
skala mudah ke yang masalah lebih
besar, sejak solusi memburuk dengan
peningkatan panjang kromosom
yaitu, nomor /ariabel kontrol.
Dalam tahun 9 tahun
mendatang, konsumsi daya dalam
negara berkembang dan transisi
diharapkan lebih dari dua kali lipat ,
sedangkan di negaranegara maju,
akan meningkat hanya sekitar ?@
A. elain itu, banyak negara berkembang dan transisi menghadapi
masalah in/estasi infrastruktur
terutama dalam segmen transmisi
dan distribusi karena in/estasi sedikit
dibuat di masa lalu. :ntuk
mengurangi kesenjangan antara
kapasitas transmisi dan
permintaan daya, dengan
mengadopsi trend sistem transmisi
!"D# dalam jaringan $# yang ada
untuk mendapatkan keuntungan
technoeconomical dari in/estasi.
edemikian skenario, jelas untuk
mengatasi tren ini dengan
merancang kema power flow yang
optimal untuk jaringan sistem nyata.
Dalam makalah ini menjelaskan ac
dc berbasis '$OPF. -etodologi ini
juga membahas mendesain ulangfungsi fitness dengan kema refining
penalti untuk kendala sistem, untuk
mendapatkan kon/ergensi yang lebih
cepat.
etelah pendahuluan ini,
bagian ** menjelaskan formulasi ac
dc power flow optimal.
-etodologi $lgoritma 'enetika
dijelaskan dalam 8agian ***.
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 4/18
+fisiensi metodologi diterapkan pada
masalah aliran daya yang optimal
ditunjukkan oleh *+++& , uji
sistem *+++@bus dan kekuatan
jaringan sistem yang kompleks dan
nyata (yaitu @@ k", -+%#1,
*ndia) pada bagian *".
dan terakhir, kesimpulan disajikan
dalam bagian ".
$. FORMULASI AC-DC POWER
FLOW % OPTIMAL
Bumusan 3 -asalahC
eperti yang telah dibahas, fungsi
tujuan dipertimbangkan dalam
makalah ini adalah untuk
meminimalkan biaya pembangkitan
total. Formulasi OPF terdiri
dari tiga komponen utamaC fungsi
objektif, kendala kesetaraan, dan
kendala ketimpangan. -etodologi iniadalah sebagai berikut,
P&rsa'aa % S"st&' % AC
-isalkan P (p&, ....., pn) dan E
(;&,.....,;n) untuk n sistem bus,
dimana pi dan ;i aktif dan kebutuhan
daya reaktif dari busi, masing
masing. "ariabel dalam operasi
sistem tenaga listrik menjadi
(0&, ...., 0m), seperti bagian real
dan imajiner masingmasing
tegangan bus. >adi operasional
masalah sistem daya untuk beban
yang diberikan (P, E) dapat
dirumuskan sebagai masalah OPF.
-inimiGe H (, P, E) for (&)
ubject to (, P, E) @
() % (, P, E) I @
()
Dimana () (s& (, P, E), .......,
sn& (, P, E)) % dan % () (t& (, P,
E), ......., tn (, P, E)) % memiliki
persamaan n& dan n masingmasing,
dan /ektor kolom. 8erikut $%
mewakili transpose dari /ektor $.
H (, P, E) adalah skalar, operasi
biaya jangka pendek, seperti biaya bahan bakar. Fungsi biaya 'enerator
f i (P'i) dalam J K -Lh dianggap
memiliki karakteristik biaya yang
diwakili oleh,
()
Dimana, P'i adalah output daya yang
sebenarnyaM ai, bi dan ci merupakan
koefisien biaya ith
generator, 7' merupakan bus
pembangkit,
8erbagai kendala yang harus
dipenuhi selama optimasi adalah
sebagai berikut,
(&) "ector kendala kesetaraan sepertikeseimbangan power flow yaitu
hukum 2irchoff, direpresentasikan
sebagaiC
(, P, E) @ atau
P' PD N PD# N P1 andE' ED NED# NE1 (?)
Dimana akhiran D merupakan
permintaan, ' adalah pembangkit ,
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 5/18
D# merupakan terminal dc dan 1
adalah kerugian transmisi.
() "ektor , kendala ketimpangan
termasuk batas semua /ariabel yaitu
semua batas /ariabel dan batas
fungsi, seperti batas atas dan bawah
dari jalur transmisi, output
pembangkit, stabilitas dan batas
keamanan dapat direpresentasikan
sebagai,
% (, P,E) I @ atau
(5)
(i) maksimum dan minimum nyata
dan output daya reaktif dari sumber
pembangkit diberikan oleh,
Dimana, adalah minimum
dan maksimum output daya nyata
pembangkit tersebut sumber dan
adalah minimum dan
maksimum output daya reaktif.
(ii) 8atas %egangan (-in K -a0)
sinyal bus sistem tegangan tetap
dalam kisaran yang sempit. 8atas
dapat dilambangkan dengan kendala
berikut ,
(6)
Dimana, 78 mewakili jumlah bus.
(iii) 8atas power flow mengacu pada
transmision line termal atau batas
stabilitas yang mampu dari transmisi
daya maksimum diwakili dalam hal
-"$ flow maksimum melalui garis,
diungkapkan oleh kendala berikut ,
(4)
Dimana, Noele mewakili jumlah
transmision line yang terhubung ke
grid. .
Dengan demikian, kondisi operasi
gabungan ac 9 dc sistem tenagalistrik digambarkan oleh /ektor ,
< , " , 0c , 0d =t
(&@)
Dimana, dan " adalah /ektor dari
phase dan magnitude tegangan bus
fasorM 0c adalah /ektor dari /ariabel
kontrol dan 0d adalah /ektor /ariabel
dc.
S"st&' P&rsa'aa DC
!ubungan berikut adalah untuk dc
/ariabel. -enggunakan per unit
sistem <=, nilai ratarata tegangan
dc dari kon/erter terhubung ke bus QiQ
adalah
"di ai"i cosR i r ci * di
(&&)
Dimana, Ri adalah sudut gating delay
untuk operasi rectifier atau sudut
e0tinction ad/ance untuk operasiin/erter, r ci adalah pergantian
resistensi, dan ai adalah pengaturan
con/erter tap transformator.
Dengan asumsi kon/erter lossless,
persamaan dari tegangan dc adalah
"di ai"i cos Si (&)
Dimana , Si i Ti , dan S adalah
sudut dari fundamental line current
lags line to netral sumber tegangan.
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 6/18
Daya nyata mengalir dalam atau
keluar dari jaringan dc pada terminal
QiQ dapat dinyatakan sebagai,
(&)
Power flow reaktif ke dalam terminal
dc adalah
Persamaan (&) (&) dapat diganti
ke dalam persamaan (?) untuk membentuk bagian dari kendala
kesetaraan .
8erdasarkan hubungan ini, operasi
kondisi sistem dc dapat dijelaskan
oleh /ektor,
(&?)
$rus dc dan tegangan yang terkait
dengan persamaan jaringan dc.eperti dalam kasus ac, referensi bus
ditentukan untuk setiap sistem dc
terpisah, biasanya bus tegangan
mengendalikan terminal dc
beroperasi di bawah tegangan
konstan ( atau sudut konstan) kontrol
dipilih sebagai refrensi bus untuk
persamaan jaringan dc.
8erikut (&) () merupakan masalah
OPF untuk demand (P, E). $da
banyak pendekatan efisien yang
dapat digunakan untuk mendapatkan
solusi optimal seperti pemrograman
linear, -etode 7ewton,pemrograman
kuadratik, pemrograman nonlinear,
metode titik interior, kecerdasan
buatan ( jaringan syaraf tiruan yaitu,
logika fuGGy, algoritma genetika,
pemrograman e/olusioner, ant
colony optimiGation dan optimasi
warn partikel dll ) metode
(. ALGORITMA GENETIKA
DALAM MASALAH OPF
'$s beroperasi pada populasi dari
solusi kandidat dikodekan finite bit
string disebut kromosom. :ntuk
mencapai optimalitas, masing
masing kromosom menukar
informasi menggunakan operator dari natural genetika untuk
menghasilkan solusi yang lebih baik.
'$s berbeda dari optimasi lainnya
dan prosedur pencarian dalam empat
cara C pertama, ia bekerja dengan
coding parameter set, bukan
parameter itu sendiri. Oleh karena itu
, '$s dengan mudah dapat
menangani integer atau /ariabeldiskrit. 2edua, ia mencari dalam
populasi dari poin, tidak satu titik.
Oleh karena itu, '$s dapat
memberikan solusi global optimal.
2etiga, penggunaan '$s hanya
untuk fungsi informasi objektif,
bukan turunan atau pengetahuan
tambahan lainnya. Oleh karena itu,
dapat menangani dengan fungsi non
smooth, non continue dan
nondifferentiable yang ada dalam
masalah optimasi practical.
$khirnya, '$s menggunakan aturan
transisi probabilistik, aturan tidak
deterministik, meskipun '$s
tampaknya menjadi metode yang
baik untuk memecahkan
masalah optimasi, kadangkadang
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 7/18
solusi diperoleh dari '$s hanya
solusi optimum global yang dekat.
(.$ P&&ra)a GA utuk O)t"'a*
P+&r F*+
$lgoritma 'enetika sederhana
adalah prosedur berulang, yang
mempertahankan ukuran konstan
dari solusi kandidat. -asingmasing
iteration step, (pembangkit) tiga
operator genetik (reproduksi,crosso/er, dan mutasi) yang
dilakukan untuk menghasilkan
populasi baru (offspring), dan
kromosom dari populasi baru
die/aluasi melalui nilai fitness, yang
terkait dengan fungsi biaya.
8erdasarkan genetik operator dan
e/aluasi, populasi solusi calon yang
lebih baik terbentuk. >ika tujuan pencarian belum tercapai, sekali lagi
'$ menciptakan offspring string
melalui tiga operator dan proses ini
dilanjutkan sampai tujuan pencarian
dicapai. -akalah ini sekarang
menggambarkan rincian dalam
mempekerjakan '$ sederhana untuk
memecahkan masalah power flow
optimal.
(.$.# C+" a D&!+"
Kr+'+s+'
'$s tampil dengan kumpulanstring biner bukan parameter sendiri.Penelitian ini menggunakan kode
biner. Di sini kekuatan set pembangkit aktif sistem n 9 bus(P'&, P', P',....P'7) akandikodekan sebagai string biner (@ dan&) dengan panjang 1&,1 , ...... , 1n.etiap parameter P'i memiliki batas
atas bi (p'i maks) dan batas bawah ai(p'i min). Pilihan 1&, 1, ......, 1n
untuk parameter yang berkaitandengan resolusi dan ditentukan olehdesainer dalam ruang pencarian.Dalam metode ini, panjang bit 8i danBesolusi yang sesuai Bi dikaitkanoleh,
(&5)
!al ini mengubah set P'i menjadi
string biner yang disebut kromosomdengan panjang U1i dan kemudianruang pencarian harus dieksplorasi.1angkah pertama dari setiap '$adalah untuk menghasilkan populasiinitial. ebuah string biner panjang 1yang terkait dengan masingmasinganggota (indi/idu). tring inimerupakan solusi dari masalah.empel dari populasi initial inimenciptakan populasi intimidate.
(.$.$ O)&rat+r G&&t"k / Cr+ss+0&r
*ni adalah operator genetik utama, yang membahas daerah barudalam ruang pencarian. #rosso/er
bertanggung jawab atas struktur rekombinasi (pertukaran informasiantara kromosom) dan kecepatankon/ergensi dari '$ dan ini
biasanya diterapkan dengan probabilitas tinggi (@,? @,4).
2romosom dari kedua induk terpilihmemiliki dikombinasikan untuk membentuk kromosom baru yangmewarisi segmen informasi yangdisimpan dalam kromosom induk.tring yang akan menyeberangini dipilih sesuai dengan nilai merekamenggunakan roulette wheel.Dengan demikian, string dengan skor yang lebih besar memiliki lebih
banyak kesempatan untuk
digabungkan dengan string lain
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 8/18
karena semua salinan dalam roulettememiliki probabilitas yang sama
untuk dipilih. 8anyak skemacrosso/er, seperti singgle
point, multipoint, atau uniform#rosso/er. inggle point #rosso/er yang akan digunakan dalam
penelitian kami.
(.$.( O)&rat+r G&&t"k / Mutat"+
-utasi digunakan baik untuk menghindari kon/ergensi prematur dari populasi (yang dapat
menyebabkan kon/ergensi ke lokal, bukan dari global, optimum) danuntuk menyempurnakan solusi.Operator mutasi telah didefinisikanoleh nilai random bit berubah dalamstring yang dipilih dengankemungkinan perubahan rendah.Dalam studi ini, operator mutasitelah diterapkan dengan relatif
probabilitas kecil (@,@@@&@,@@&)untuk setiap bit dari kromosom.Proses mutasi sampel ditunjukanseperti di bawah ini.
(.$.1 O)&rat+r G&&t"k /
R&)r+u!t"+
Beproduksi didasarkan pada prinsip sur/i/al dari fittest. *nimerupakan operator yangmemperoleh jumlah salinan solusitetap sesuai dengan nilai fitnessmereka. >ika skor meningkat, maka
jumlah salinan juga meningkat.ebuah nilai skor terkait dengansolusi yang diberikan sesuai dengan
jarak dari solusi optimal (jarak dekatuntuk solusi optimal yang berarti
skor lebih tinggi).
(.$.2 S+*us" F"t&ss +3 Ca"at&
a Fus" B"a4a Fungsi biaya telahdidefinisikan sebagai C
(&) :ntuk meminimalkan F(0)setara dengan mendapatkan nilaifitness maksimal dalam proses
pencarian. 2romosom yang memiliki
fungsi biaya lebih rendah harusdiberi nilai fitness yang lebih besar.%ujuan OPF harus diubah untuk memaksimalkan nilai fitness untuk digunakan dalam simulasi roulettewheel. Fungsi fitness digunakansebagai berikut C
Dimana # adalah konstan M Fi(P'i)adalah biaya karakteristik generator i, w j adalah bobotFaktor kesetaraan dan kendalaketidaksetaraan j M Penalty j adalahfungsi penalti untuk kesetaraan dankendala ketidaksetaraan jM h j (0,t)
adalah pelanggaran terhadapkesetaraan dan ketidaksetaraankendala jika positif, (.) ! adalah!ea/iside (langkah) fungsiM 7cadalah jumlah kesetaraandan kendala ketidaksetaraan.
Fungsi fitness telahdiprogram sedemikian rupa dalam-atlab .& sehingga itu terlebihdahulu harus memenuhi semuakendala ketidaksetaraan dengan
hea/ily penaliGing.
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 9/18
Dengan menggunakan komponendi atas, prosedur '$ standar untuk
menyelesaikan masalah OPFditunjukkan pada 'ambar &.
'ambar &C Flowchart $lgoritma 'enetikaederhana untuk OPF
1. CONTOH, SIMULASI DAN
HASIL
1.# S"st&' Bus IEEE-#1
2inerja yang diusulkan
dengan metodologi telah dinilaimelalui hasil yang diperoleh dengan*+++& 8us seperti yangditunjukkan pada gambar (1ihat1ampiran) dengan &6 sirkuit dan generator. 'enerator dan data sirkuittelah diberikan dalam %abel $&(1ihat 1ampiran). ebuah link dcterhubung antara bus& dan bus &. Bating dari kon/erter
pada bus & dan & adalah &,@ p.u.
7ilai tegangan untuk semua bus telahdibatasi antara @,4? dan &,@?. Fungsi
biaya bahan bakar untuk generator dinyatakan sebagai ( fi ai P'i N biP'i N ci) di (JK-Lh) dan
permintaan di bus ditunjukkan pada%abel $ (1ihat 1ampiran).emua nilainilai telah ditunjukkanoleh p.u. !asil yang diperolehdengan metodologi ditampilkan
pada %abel &.
%abel &C !asil '$OPF dan Perbandingandengan -etode OPF %radisional
%egangan dari beberapa bus
didapat dengan solusi terbaik
'$OPF telah menunjukkan
peningkatan dibandingkan dengan
metode 7ewton. elain itu, jumlah
biaya pembangkitan yang diperolehsolusi '$OPF rendah.
1.$ M+"3"kas" S"st&' Bus
IEEE - (5
istem ini terdiri dari 5
generator dan jalur transmisi
seperti yang ditunjukkan pada
gambar (1ihat 1ampiran). ebuahlink dc terhubung antara bus & dan
bus 6. Bating kon/erter di bus & dan
6 adalah &,@ p.u. 8atas atas dan
bawah (daya nyata) untuk semua
generator telah ditunjukkan pada
%abel 8&. elain itu, batas atas dan
bawah (daya reaktif ) untuk semua
generator adalah @. I E'i I @,.
7ilai tegangan untuk semua bus telah
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 10/18
dibatasi antara @,4? dan &,@? . Fungsi
biaya bahan bakar untuk generator
dinyatakan sebagai
(fi ai N bi P'i P'i N ci) di (JK-Lh)
dan permintaan di berbagai bus
ditunjukkan pada %abel #& . emua
nilainilai telah ditunjukkan dalam
p.u. :ntuk sistem ini ada V
kendala kesetaraan sesuai dengan
masingmasing daya reaktif dan
keseimbangan dari bus tanpa
'enerator, dan sekitar kendalakesetaraan % sesuai dengan @
pasang tegangan, V 5 pasang
output pembangkit dan satu pasang
masingmasing dari jalur aliran atas
dan batas bawah. %abel
menunjukkan hasil untuk '$OPF
dan -etode 7ewton.
%abel C !asil OPFC '$ dan 7ewton -etode
!asil mengindikasi bahwa tegangan
profil pada beberapa bus telah
ditingkatkan dengan solusi '$OPFdibandingkan dengan
-etode OPF 7ewton. elain itu,total biaya pembangkitan oleh'$OPF lebih rendah dibandingkandengan metode 7ewton OPF.
1.( 6ar"a 4ata 155 k7 ar"
Ma8aras8tra Stat& E*&!tr"0"t4
Tras'"s"+ C+')a" L"'"t&
9MSETCL:, I"a
ektor listrik *ndia telahtumbuh dari &.5 -L pada tahun
&4 menjadi &.@5& -L pada @-aret @@6. ektor ini telahditandai dengan permintaankekurangan pasokan /isW/is. :ntuk meningkatkan kinerja techno 9 finansial sektor ini, Departemen%enaga Pemerintah *ndiamemberlakukan +lectricity $ct pada@@ dan inisiatif kebijakanselanjutnya untuk menguraikancounter dari kerangka yang cocok untuk pengembangan keseluruhan
pasar listrik. Pada transmisi listrik,grid *ndia telah dibagi menjadi limasub daerah grid. -asingmasingmemiliki jumlah sub grid konstituendibentuk oleh jaringan negara danutilitas swasta. emua sub grid dan
jaringan telah terhubunguntuk membentuk grid nasional
@@k". :tilitas -aharashtra memilikikapasitas terpasang terbesar &?.?6@-L di *ndia. Pada tahun @@?,termasuk pembangkit, %ransmisi danPerusahaan Distribusi. Pada sektor transmisi merasa kekurangan karenain/estasi yang dibuat di masa lalurendah. *nfrastruktur transmisiterdiri dari X ?@@ k" !"D# , @@k", @ k", & k" , &&@ k" , &@@
k", 55 k" lines, 65 gardu +!",
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 11/18
dan ?55 ckt km lines dengan jumlah kapasitas transformasi .&56
-"$. tudi ini membahas jaringannyata dari @@ k" Perusahaan%ransmisi 1istrik 7egara-aharashtraditunjukkan pada gambar (1ihat1ampiran). *ni terdiri dari &4 intrastate dan inter state bus ( 8!*1Y,2handwa, DB", 8DB"%, %arapur,8O*B dan $%PB).Permintaan riil dan data generator ditunjukkan pada %abel #& dan #
(1ihat 1ampiran). 7ilai tegangansemua bus telah dibatasi antara @,45dan &,@. 2endala power flow aktif intrastate pada saluran transmisiterletak antara @.? dan @.?, danuntuk saluran inter state adalah &,@dan &,@. Data untuk jarinagan X ?@@k" !"D# yang terhubung antara#!DP:B ke Padge dapat dilihat
pada %abel #. emua nilainilaiditunjukkan dalam p.u. #!DP:B diambil sebagai referensi bus. $daV&5 kendala kesetaraan yang sesuaidengan keseimbangan daya nyatadan reaktif masingmasing dari bustanpa generator, dan 6 kendalaketidaksetaraan dari pasangtegangan, V&& pasang output
pembangkit dan satu pasang masingmasing dari jalur aliran atas dan
batas bawah. !asil yang diperoleh
dengan metodologi yang diberikantelah ditunjukkan pada %abel .
%abel C @@ k", -+%#1, *ndiaC hasil dan
perbandingan '$OPF dengan metode OPFtradisional
%egangan pada beberapa busdengan solusi '$OPF telahmeningkat dibandingkan denganmetode tradisional OPF. elain itu,
biaya pembangkitan secara garis besar rendah dibandingkan denganmetode 7ewton OPF.
2. E7ALUASI KINER6A
+/aluasi kinerja $#D# berbasis'$OPF dan metode OPF tradisionaltelah diuji dengan mengacu pada
parameter yang diberikan dalam%abel dan %abel ?. -etode 7ewtonmenggunakan sedikit iterasi untuk melakukan OPF untuk uji sistem dan
jaringan nyata -+%#1. Laktueksekusi program tergantung padakesetaraan dan ketidaksetaraan
kendala yang ditangani dengan
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 12/18
metodologi.2euntungan dari metode
7ewton adalah hasil OPF diperolehdalam satu kali saja. 2inerja
parameter untuk '$ berbasis $#D#OPF untuk berbagai sistem pengujiandan jaringan nyata diperlihatkan pada%abel 6. 7amun, waktu eksekusi
program ber/ariasi dari sistem yanglebih kecil ke sistem yang lebih besar dan tergantung pada jumlah iterasiyang ditetapkanawalnya untuk mendapatkan hasil
OPF terbaik.
%abel C 7ewton Parameter K kinerja terbaikPower Flow Optimal
Ta(le )! *araeter+kinerja Guntuk *F ter(aik
;. KESIMPULAN Penelitian ini membahas $#
D# berbasis solusi power flowoptimal '$ yang dapat diterapkanuntuk sistem tenaga dengan ukuranyang berbeda. -etode ini jugamenggunakan keuntungan technokomersial dari metode power flow
tradisional yang optimal. -etode
'$OPF menghindari aliran bebanawal seperti yang diterbitkan dalam
literatur lain. kema ini lebih efektif untuk situasi jaringan nyata dalammengembangkan suatu negara.$khirnya, hasil yang diperoleh olehskema ini cukup sebanding denganmetodologi OPF tradisional .
REFRENSI
./0 M& 1ounes, M& 2ahli and (delhake-3oridak, 4Optimal Power Flow Based on
Hybrid Geneti Algorit!m5, 6ournal o7 In7oration S'ien'e and Engineering 89,pp&/:;/-/:/<, 8;;=&
.80 nastasios G& >akirt?is, *andel N& >iskas , @hristo7oros E& Aouas , , and Vasilios
*etridis , "Optimal Power Flow by #n!aned
Geneti Algorit!m5, IEEE Transa'tions on*o#erSystes, Vol& /=, No& 8, pp& 88B-89<,May8;;8&
.90 I& G& Caousis, &G& >akirt?is, and *&S&Cokopouloset, $Network Constrained
#onomi Dispat! %sing &eal'Coded Geneti
Algorit!m$, IEEE Transa'tions on *o#erSystes, Vol& /:, No& /, Fe(ruary 8;;9&
.D0 C& *apaleopoulos, @& F& Iparato, and F&F&
u, 4 (arge'sale optimal power )low* #))ets
o) initiali+ation deopling and disreti+ation,5IEEE Transa'tions on *o#er Systes.,Vol& D,pp& =D:=)B, May /B:B&
.)0 H& & Coel, & F& Tinney, 4Optimal
Power Flow -oltions, IEEE Transa'tions onpo#erapparatus and systes, Vol& *S-:=, No&/;,pp& /:<<-/:=<, 'to(er /B<:&
.<0 3& 1& ee, 1&M& *ark, and 6&& rti?, 4 A%nited
Approa! to Optimal &eal and &eati/e Power
Dispat!, IEEE Transa'tions on *o#erSystes, Vol& *S-/;D, p& //D=-//)9,May/B:)&
.=0 M& Sasson, 4 Non linear Programming
-oltions )or load )low, minimm loss, and
eonomi dispat!ing problems, IEEE Transa'tions on *o#er pparatus and
Systes,Vol& *S-::, No& D, pril /B<B&
.:0 T& >ouktir, M& >elka'ei, 3& Aehar,4Optimal
power )low sing modi)ied gradient met!od,
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 13/18
*ro'eeding I@EJ8;;;, U&S&T&ran,lgeria,
Vol& 8, p& D9<-DD8, /9-/) Nove(er
8;;;&.B0 Tarek >ouktir, inda Sliani, M&>elka'ei, 4 A Geneti Algorit!m )or -ol/ing t!e Optimal
Power Flow Problem5, eonardo 6ournal o7 S'ien'es, Issue D, pp& DD-):, 6anuary-
6une8;;D&
./;0 H& & Coel, 4Optimal power dispat!,5IEEE Transa'tions on *o#er pparatusandSystes, Vol& *SB9, pp& :8;-:9;, /B=D&
.//0 & lsa', 6& >right, M& *rais, and >& Stott,4 Frt!er de/elopments in (P'based optimal
power )low,5 IEEE Transa'tions on *o#erSystes, Vol& ), pp& <B=-=//, /BB;&
./80 6& Nanda, C& *& 3othari, and S& @&Srivatava,
4 New optimal power'dispat! algorit!m sing
Flet!er0s 1adrati programming met!od ,5 in Proeedings o) t!e 2## , Vol& /9<, pp& /)9-/</,/B:B&
./90 C& I& Sun, >& shley, >& >re#er, &Hughes,
and & F& Tinney, 4Optimal power )low by
Newton approa!,5 IEEE Transa'tions on*o#er pparatus and Systes., Vol& *S-/;9,pp& 8:<D8::;, /B:D&
./D0 H& ei, H& Sasaki, 6& 3u(oka#a, and 2& 1okoyaa, 4 An interior point nonlinear
programming )or optimal power )low problemswit! a no/el data strtre,5 IEEE Transa'tions on *o#er Systes, Vol& /9,pp&:=;:==, ugust /BB:&
./)0 G& & Torres and V& H& Kuintana, 4 An
interiorpoint
met!od )or nonlinear optimal power )low
sing /oltage retanglar oordinates,5 IEEE Transa'tions on *o#er Systes, Vol& /9,pp&/8///8/:, Nove(er /BB:&
./<0 6& & Mooh, M& E& El-Ha#ary, and 2&dapa,
4 A re/iew o) seleted optimal power )low
literatre to 3445,5 IEEE Transa'tions on*o#er Systes, pt& I and II, Vol& /D, pp&B<///, Fe(ruary /BBB&
./=0 G& Tognola and 2& >a'her, 4%nlimited point
algorit!m )or OPF problems,5 IEEE Transa'tions on *o#er Systes, Vol& /D,pp&/;D</;)D, ugust /BBB&
./:0 & @hen, H& Su?uki, and 3& 3atou, 4 6ean
)ield
t!eory )or optimal power )low,5 IEEE Transa'tions on *o#er Systes, Vol& /8,pp&/D://D:<, Nov& /BB=&
./B0 & @hen, S& Mato(a, H& Ina(e, and T&ka(e,
4-rrogate onstraint met!od )or optimal power
)low,5 IEEE Transa'tions on *o#erSystes,Vol& /9, pp& /;:D/;:B, ugust /BB:&
.8;0 & & ai, 6& T& Ma, 2& 1okoyaa, and M&Ahao,4 2mpro/ed geneti algorit!ms )or optimal power
)low nder bot! normal and ontingent
operation states,5 Ele'tri' *o#er EnergySyste, Vol& /B, no& ), pp& 8:=8B8,/BB=&
.8/0 T& Nunonda and U& C& nnakkage,4Optimal
power dispat! in mltinode eletriity market
sing geneti algorit!m,5 Ele'ri' *o#erSyste2esear'h., vol& DB, pp& 8//88;, /BBB&
.880 M& M& El-Saada#i, 4 A Geneti'Based
Approa!
For -ol/ing Optimal Power Flow Problem5,
Mansoura Engineering 6ournal, LME6, Vol&8B,No& 8, 6une 8;;D&
.890 C& alters, G& She(le, $Geneti Algorit!m
-oltion )or #onomi Dispat! wit! Val/e
Point (oading$ , IEEE Transa'tions on *o#erSystes, Vol&:, No&9, ugust /BB9&
.8D0 C& E& Gold(erg, 4Geneti Algorit!ms in
-ear!,Optimi+ation and 6a!ine (earning, ddisonesley *u(lishing @opany, /B:B&
.8)0 6& 1uryevi'h, 3& *& ong, 4 #/oltionary
Programming Based Optimal Power Flow
Algorit!m, IEEE Transa'tion on *o#erSystes, Vol& /D, No& D, Nove(er /BBB&
.8<0 uonan @hen, Hideki Su?uki, Tsunehisa
a'hi,and 1ukihiro Shiura, 4Components o) Nodal
Pries )or #letri Power -ystems5, IEEE Transa'tions on *o#er Systes, Vol& /=,No& /,pp D/-DB, 8;;8&
.8=0 @& N& u, S& S& @hen, @& M& ng, "7!e
2norporation o) HVDC #1ations in Optimal
Power Flow 6et!ods sing -e1ential 8adrati Programming 7e!ni1es5, IEEE Transa'tions on *o#er Systes, Vol& 9,No&9,pp /;;)-/;//, ugust /B::&
.8:0 *andya 3&S&, 6oshi S& 3&, 4 A sr/ey o)
Optimal
Power Flow 6et!ods5, 6ournal o7 Theoreti'al
and pplied In7oration Te'hnology, ppD);-
D):, 8;;:&
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 14/18
LAMPIRAN
A) Bus S"st&' IEEE-#1
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 15/18
'ambar C Diagram garis *+++& 8us istem
Ta(le /! >us data dari IEEE-/D >us siste
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 16/18
B: S"st&' Bus IEEE-(5
'ambar C Diagram garis dari sistem bus modified *+++@
C: 155 k7 MSETCL, I"a
Ta(le @/! D;; kV MSET@! Ceand Cata L*U
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 17/18
'ambar C @@ k" -+%#1, *ndia
Ta(le @8! D;; kV MSET@! Generator Cata L*U and Ceand Cata
7/17/2019 Algoritma Genetika Indo
http://slidepdf.com/reader/full/algoritma-genetika-indo 18/18
Ta(le @9! Cata! 6aringan );;kV @HC*U2-*CGE HVC@