PENGGUNAAN GENETIC ALGORITHM UNTUK OPTIMASI PENENTUAN PARAMETER MOTORINDUKSI DENGAN INVERTER TIGA PHASA

Birowo *1, Herri Trisna Frianto. *2 Agus Priyono *3 Agus Sofwan *3STMIK Triguna Dharma Medan

Jl. A.H. Nasution No. 73 F- MedanEmail : birowonanang@yahoo.co.id,

Abstrak

Paper ini menguraikan parameter motor induksi tiga-phasa yang akan dipakai melakukan prediksi kinerjamotor induksi tersebut, ditentukan berdasarkan data yang tersedia dari pabrik dan dipasaran. Motorinduksi tiga phasa tersebut mempunyai arus maksimum, arus starting, arus beban penuh dan factor kerjauntuk beban penuh. Bila pengaturan gerakan tidak linier untuk mendapatkan kinerja yang optimum darimotor tersebut, maka parameter-parameter dari motor induksi tiga phasa perlu dikaji lagi denganmenggunakan Genetic Algorithm. Hukum pengaturan Algoritma Genetika dijabarkan dengan hukumliapunov pada pemodelan linier untuk gerakan crane. Referensi model dipilih untuk model linier yangstabil. Maka Simulasi dibentuk untuk keandalan Algoritma Genetika pada model non linier. Simulasi controlbalik penuh ditunjukkan pada gerakan crane yang non linier Adapun model yang digunakan dari motortersebut adalah model d-q.

Kata kunci : parameter, algoritma genetika, model d-q

Abstract

This journal describes a three phase induction motor of parametre to predictive a induction motor to work.In use based a data of designing of industries and fabrication. Three phase Industion motor is usingmaximum current, staring current full load current and power factor to full load. If its to needed a find towork amount optimum for induction motor, Although for non-linear movement controlling. Non linearmovement controlling in hoist crane selected to test Genetic Algorithm through simulation is non linearhoist crane movement model which basically is unstable. Genetic Algorithm Control rule is derived usingLyapunov theory based on linearization model from hoist crane movement. Reference model selected wasstabilized linear model. Then simulation was performed to observe Genetic algorithm performance on nonlinear model. Full state feedback control through simulation has been shown not able to stabilize hoist cranemovement. It is modeling using to motor with dq model.

Keywords: Parametre, Genetic Algorithm, d-q Model

Birowo, Herri Trisna Frianto, Agus Priyono, Agus Sofwan : Penggunaan Genetic Algorithm……..

I. PENDAHULUAN

Daya yang diperlukan oleh pompauntuk memompakan air bersih ditentukan olehhead dan debit air dari pompa. Setelah dayadan kinerja dari pompa diketahui, makakebutuhan daya dari motor induksi yangdibutuhkan untuk menggerakkan pompainduksi tiga phasa ditentukan dari kinerjapompa tersebut. Selanjutnya besar motorbeserta data dan parameter dapat ditentukanberdasarkan ukuran yang ada d pasaran.

Namun motor induksi yang tersedia dipasaran seringkali tidak menghasilkan kinerjayang dikehendaki. Karena itu perlu dikaji lagiparameter - parameter dari motor yangdikeluarkan oleh pabrik pembuatannya.Sehingga diperoleh kondisi arus yang optimum.Hal itu dapat dilakukan dengan menggunakangenetic algorithm.

2.Pemilihan Motor Induksi Untuk Pompa Air

Kinerja dari pompa air di dermagaKetapang diperlihatkan pada gambar-1

Gambar-1, Kinerja Pompa Air

Berdasarkan gambar-1, maka dayarata-rata yang dibutuhkan oleh pompa airadalah 24,16 kW. Selanjutnya dipilih motor

yang ada dipasaran dengan data yangtercantum dalam table-1.

Tabel-1 Parameter Motor Induksi

HP (Daya) 33 Rs (ohm) 0,0556V

*Tegangan) 220 Rr (ohm) 0,028

f (rekuensi) 50Xls

(ohm) 0,2158

Tmula (N.m) 456.6Xlr

(ohm) 0,471

Pole 2Xm

(ohm) 3,906Tnominal 35.56 J (kg.m2) 0.59

3. Kinerja dari Motor Induksi

Kinerja motor induksi tiga phasa dapatdiprediksi dari model yang dikembangkanuntuk maksud itu. Dalam makalah inidigunakan model d-q. Dari parameter modeltersebut selanjutnya kinerja dari motor yangdinyatakan oleh kurva karakteristik arusterhadap waktu yang dapat ditentukan.

Untuk membuat kinerja dari motorinduksi menjadi optimum, maka parameter darimotor induksi perlu dikaji lagi denganmenggunakan Genetic Algorithm. Makalah inimembahas hal tersebut.

4. Model Motor Induksi Tiga Phasa

Persamaan tegangan untuk motorinduksi dalam model d-q adalah :

Vds = rs.ids + dλds /dt – ω.Ѱqs (1)

Vqs = rs.ids + dλqs /dt – ω.Ѱds (2)

V’qr = r’r.iqr + dλqr /dt –(ωe-ωr)λ’dr (3)

V’dr = r’r.iqr + dλdr /dt –(ωe-ωr)λ’qr (4)

88

Birowo, Herri Trisna Frianto, Agus Priyono, Agus Sofwan : Penggunaan Genetic Algorithm……..

Ψqs = Lqs.iqs + Lm(iqs + I’qr ) (5)

Ψds = Lds.ids + Lm(ids + I’dr ) (6)

Ψ’qr = L’qr.i’qr + Lm(iqs + I’qr ) (7)

Ψ’dr = L’dr.i’dr + Lm(ids + I’dr ) (8)

Persamaan 1 sampai dengan 8 dapatdinyatakan dalam bentuk matriks sebagaiberikut :

Vqd = Zqd * iqd (9)

Dengan :

Vqd = [ Vqs Vds V’qr V’dr ] ‘ (10)

Iqd = [ Iqs Ids I’qr I’dr ] ‘ (11)

A= invers A atau invers Zqd

Dan Zqd adalah matrix impedansi yangdinyatakan oleh:

Zqd = A

Dimana : Ls = L@ + Lm (13)

Persamaan untuk Torsi dinyatakan oleh :

Τe=(3/2*p/2(Ѱds*is–Ѱqs*ids)) (14)

Dimana : Ѱds dan Ѱqs dinyatakan olehpersamaan 5 dan 6.

Berdasarkan persamaan 1 s/d 4,diagram rangkaian ekivalen untuk motorinduksi terlihat pada gambar-2

Gambar-2, Rangkaian Ekivalen Motor Induksi

5. Formulatif Kemudi Motor induksiKarakteristik inverter square wave

dapat bekerja secara nominal ditunjukkanmelalui kurva tegangan terhadap waktu danarus terhadap waktu, seperti pada gambar-3.Tegangan dan arus yang diperoleh sebagaiberikut :

Tegangan Fundamental :

Vμ (rms) = Ѵ6 / π *Vd (15)

Arus Fundamental :

I fundamental =[ P(VA) 3Φ /Ѵ3*VL-L] (16)

Tegangan keluaran inverter dapat didekatidengan deret Fourier .

Va-b = Vb-c = Va-c = [ 2 Ѵ3/ π *Vi] (17)

Misalnya tegangan Vl-l dapat dinyatakansebagai :

{sin(wt+phi/6) + 1/5*sin(5wt – phi/6)+1/7*sin(7wt+phi/6)+1/11*sin(11wt – phi/6+…}

Jika dianggap tidak ada daya yang hilang, makadaya dari inverter adalah :

Vi*Ii = [3/2*(Veqs *Ie

qs)+ (Veds *Ie

ds)] (18)

Arus Inverter menjadi :

Ii = [ 3/π*((geqs *Ie

qs)+ (geds *Ie

ds)] (19)

89

Birowo, Herri Trisna Frianto, Agus Priyono, Agus Sofwan : Penggunaan Genetic Algorithm……..

Dimana :

geqs =1+[2/35*cos(6ωt) – 2/143*cos(12ωt)+…

geds =[12/35*cos(6ωt)–2/143*cos(12ωt)+.. (20)

Gambar-3, Karakteristik Arus Maksimum Motor InduksiKeadaan Standart

6. Optimasi Parameter Motor Induksi DenganMenggunakan Genetic Algorithm

a. Genetic Algorithm

Genetic Algorithm adalah metode lainyang biasa digunakan untuk menentukanparameter rangkaian ekivalen motor induksitiga phasa, sehingga diperoleh arus maksimum.Genetic a Algorithm menggunakan objectivefunction yang didasarkan pada suatu criteriakinerja untuk menentukan error. Parameterrangkaian ekivalen gambar-1 dipakai sebagaipedoman dalam menentukan optimasi torsimotor induksi. Persamaan torsi untuk lockedrotor, breakdown dan full-load membentukmulti objective optimization problem, dimanatiap persamaan adalah fungsi dari tiga ataulebih dari parameter mesin. Tiga persamaantorsi dapat dituliskan sebagai berikut :

F1(R1,R2,Xl)= Te – Tfl (21)

F2(R1,R2,Xl)= Te – Tlr (22)

F3(R1,Xl) = Te – Tbd (23)

Dimana Te adalah persamaan (14).

Selanjutnya parameter rangkaianekivalen motor dikodekan dengan bilangandecimal dan nilai fitness (kemampuan)maksimum didapatkan untuk menentukan torsitersebut. Maka setiap parameter rangkaianekuivalen motor induksi dapat dilakukandengan genetic algorithm. Dalam hal ini errorfunction diperoleh sebagai formula darikuadrat torsi error function, sedangkan fitnessfunction adalah inverse dari error. Sasaran darigenetic algorithm membuat nilai errorminimum atau membuat fitness maksimum.Error function dapat dituliskan sebagai :

E = F1(.)2 + F2(.)2 + F3(.)2 (24)

sedangkan fitness dinyatakan oleh :

Fitness = 1/ E (25)

Secara umum proses geneticalgorithm yang dilukiskan gambar-4 terdiri dari:

Gambar-4, Genetic algorithm

I. Pembangkitan Spesies

90

Birowo, Herri Trisna Frianto, Agus Priyono, Agus Sofwan : Penggunaan Genetic Algorithm……..

C^k=[X1^k ,Y1^k, X2^k,Y2^k,,Xm^k,Ym^k] (25)

Dimana: (xi^k, yi^k) : lokasi dari pembangkitankromosom.

i,j : urutan nomor spesies (1,2,3..)

ii. Perkalian silang

Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2

Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2

Dimana ri : bilangan acak, dengan :

I = 1,2,3, …,m

II. Mutasi

Nilai Random dinyatakan oleh :

Xi = Xi^k + random nilai [ E ]

Yi = yi^k + random nilai [ E ]

Dimana : E : bilangan real positif

Xi = nilai random [ Xmin, Xmax ]

Yi = nilai random [ Ymin, Ymax ]

Hasil eveluasi pada proses geneticalgorithm, digunakan untuk mencari nilaierror terkecil atau nilai fitness terbesar.Nilai error yang diperoleh digunakan untukmenentukan parameter motor induksitersebut. Parameter motor induksi tersebutdidapat dari rangkaian ekivalen motorinduksi model d-q

b. Hasil Perhitungan

Hasil dari nilai fitness yang dinyatakanoleh kurva fitness terhadap jumlah generasiyang terlihat pada gambar-5 yangmenghasilkan parameter dengan hargatorsi optimum yang terlihat pada table-2.

Tabel-2, Parameter Motor Induksi DenganMetode Genetic Algorithm

HP (Daya) 33 Rs (ohm) 0,030V

*Tegangan) 220 Rr (ohm) 0,016

f (rekuensi) 50Xls

(ohm) 0,12

Tmula (N.m) 527,89Xlr

(ohm) 0,26

Pole 2Xm

(ohm) 2,164Tnominal 42,3 J (kg.m2) 0.59

Gambar-5, Nilai fitness terhadap Populasi

Dan dengan cara yang samakarakteristik arus terhadap waktu dari datapada table-3 dapat ditentukan hasilnyapada gambar-6.

91

Birowo, Herri Trisna Frianto, Agus Priyono, Agus Sofwan : Penggunaan Genetic Algorithm……..

Gambar-6, Karakteristik Torsi terhadap KecepatanMotor Induksi hasil Genetic Algorithm

SIMPULAN

Dengan Genetic Algorithm nilai arusmaksimum, arus awal dan arus nominal dapatdinaikkan secara optimum seperti terlihat padatable-3

Tabel-3 Hasil Simulasi Motor Induksi

Torsi Motor Induksi Motor Induksidengan Data dengan Data

Standart Hasil Optimasi(AMP) (AMP)

Arus Max 3700 7341Atus Min 55,315 60,318

DAFTAR PUSTAKA

1. T.A Lipo and A.Consoli,” Modelling andSimulation Of Induction Motors wth saturableleackage reactances,”IEEE, Trans, Ind.Applicat.Vol. I.A-20 pp. 180-198, Jan/Feb.1984

2. J.A De Kocks, F,S van der Merwe, and H.JVermeuler,” Induction Motor ParameterEstimation throught an output error

technique”, IEEE/PES Jan, 31 pp.5 1993 paperno. 93 WM 019-9EC

3. E.Muljadi,” Water Pumping with a Peak-Power Tracker using a Simple Six-Step SquareWave Inverter,” IEEE Transaction On IndustryApplication, Vol.33 No.3 May/Juny 1997.

4. Ray Nolan and Towhidul Haque,” ApplicationOf Genetic Algorithm to Motor ParameterDetertermination For Transient TorqueCalculation “, IEEE Transaction On IndustryApplicate,” September/October 1997.

5. Warring R.H, “ Pump Selection to SystemAnd Application, second Edition, Trade andTechnical Press Ltd, Morgan, Surrey, SM 45 EW,England, 1984.

6. Lawrence Davis,” Handbook Of GeneticAlgorithm”, Van Nostrand Reinhold, New York,1991

7. Goldberg,” Genetic Algorithm In Machine,”New York 1996.

92