Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
24
BAB III
METODE PENELITIAN
Secara umum diagram blok perencanaan sistem integrasi kontrol FCV dan
ELC pada PLTMH dapat dilihat pada gambar berikut.
Gambar 3.1 Diagram Blok Secara Umum Sistem Integrasi FCV dan ELC.
Dari gambar di atas, integrasi FCV dan ELC sebagai sistem kendali dimulai
dengan air masuk melalui penstock menuju ke turbin dan jumlah debit air di kontrol
oleh FCV yang digerakkan oleh aktuator yang bekerja atas sensor frekuensi yang
didapat pada generator dan hasil sensing di kirim ke kontroler untuk menggerakkan
aktuator pada FCV. Sehingga, banyaknya air yang masuk ke turbin sesuai dengan
kebutuhan saat itu. Apabila ada perubahan beban, maka akan diperbaiki oleh ELC
dengan mengalihkan beban ke Rd atau dummy load dimana mengendalikan
frekuensi tegangan yang dihasilkan pada batasan yang dapat diterima Jika fekuensi
memenuhi standar 50Hz dengan speed droop 5% maka tidak ada pengalihan beban
ke dummy loadt. Jika kurang, maka akan dialihkan ke dummy load atau Rd.
3.1 Model Turbin Hidrolik
Turbin merupakan bagian mekanik dari PLTMH dimana yang menerima
energi potensial dari air dengan mengubahnya menjadi energi putaran, energi
mekanik tersebut memutar sumbu turbin pada generator. Pemodelan hydraulic
turbine di tampilkan pada gambar 3.2
25
Gambar 3.2 Model Turbin Hidrolik
Berikut adalah parameter yang digunakan pada turbin hidrolik.
Tabel 3.1 Parameter turbin hidrolik
Parameter Nilai
Turbine Flow 0.95 m3/s
Head Base 16.74 m
Penstock Area 0.389 m2
Length Penstock 60 m
Gravitasi 9.8 m/s2
[ Gmax, Gmin ] [ 1, 0 ] (pu)
3.2 Model hydro-electric servo system
Pada pemodelan FCV sendiri terdapat aktuator untuk penggerak gate yaitu
motor servo. Motor servo mengontrol gate untuk mengatur aliran air sehingga
selalu berada dalam keadaan constant atau setpoint. Berikut merupakan model
hydro-electric servo system
Gambar 3.3 Model hydro-electric servo system.
26
Berikut adalah parameter yang digunakan.
Tabel 3.2 Parameter hydro-electric servo system
3.3 Model Hydraulic Turbine Governor
Gambar 3.4 Desain Hydraulic Turbine Governor pada PLTMH
3.4 Model perancangan kontroler PI dan PID
Kontrol PI merupakan kontroler konvensional untuk mempertahankan nilai
keluaran frekuensi ketika terjadi perubahan beban. Sedangkan kontroler PID
merupakan kontroler konvensional untuk men-triger PWM sebagai pensaklaran
pada rectifier. Berikut adalah model perancangan sistem kontrol PI dan PID yang
digunakan.
(a)
Parameter Nilai
Gain constant motor servo 10
Time constant motor servo 0.001
[ Vgmin, Vgmax ] [ -1, 1 ]
27
(b)
Gambar 3.5 (a) Blok Kontroler PI dan (b) Blok Kontroler PID
Tabel 3.3 Nilai parameter PI
Parameter Nilai
Kp 40.244
Ki 60
Tabel 3.4 Nilai parameter PID
Parameter Nilai
Kp 71
Ki 430
Kd 2
3.5 Model Perancangan Fuzzy PI
Fuzzy Logic pertama kali ditemukan dan digunakan oleh Prof. Lotfi Zadeh,
pada tahun 1965. Kontrol fuzzy memberikan metodologi formal untuk mewakili,
memanipulasi, dan menerapkan pengetahuan heuristic manusia tentang cara
megontrol sistem. Fuzzy merupakan pembuat keputusan buatan yang beroperasi
dalam sistem loop tertutup secara real-time. Fuzzy mempunyai dua input antara lain
nilai error dan nilai turunan pertama dari nilai error.
Untuk mendesain fuzzy perlu mendesain fungsi keanggotaan, aturan IF-
THEN dan basis pengetahuan. Gambar 3.6 menunjukkan konfigurasi pengaturan
sistem menggunakan teknik kontrol Fuzzy-PI. Masukan pada fuzzy ada dua yaitu
nilai error e(t) dan turunan pertama dari nilai error de(t), dengan dua output untuk
setiap parameter dari kontrol PI yaitu Kp dan Ki. Nilai rentang dari variable tersebut
ditentukan berdasarkan dari percobaan sistem dengan kontrol PI dengan efisiensi
tinggi.
28
Gambar 3.6 Blok Inferensi fuzzy
Gambar 3.6 menunjukkan metode inferensi fuzzy, yang mana inferensi
tersebut menunjukkan dua input dan dua output untuk sistem yang akan di kontrol.
Metode yang digunakan adalah fuzzy Mamdani.
Fungsi keanggotaan dari input fuzzy seperti pada gambar 3.7 dan 3.8. Nilai
masukan pada kedua input akan dibagi dalam 5 tingkat variabel linguistik. Dipilih
jumlah linguistik ada 5 karena tingkat variabel linguistik tersebut paling optimal
untuk sistem. Tingkat variabel linguistik yang digunakan adalah NB : Negative Big,
NS : Negative Small. Z : Zero, PS : Positive Small, dan PB : Positive Big.
Gambar 3.7 Keanggotaan dari e(t)
Gambar 3.8 keanggotaan dari de(t)
Fungsi keanggotaan dari output K’p dan K’I ditunjukkan pada gambar 3.9.
Tingkat linguistik output yang dipakai adalah S: Small, MS : Medium Small, M :
Medium, MB : Medium Big, B : Big, dimana nilai rentangnya dari -0.05 sampai
0.05.
29
Gambar 3.9 Keanggotaan dari K’p dan K’i
Pada desain fuzzy ini menggunakan 5 variabel linguistic sebagai input dan
output , maka dalam desain didapat 25 aturan fuzzy.
Tabel 3.5 Aturan Fuzzy
de/e NB NS Z PS PB
NB S S MS MS M
NS S MS MS M MB
Z MS MS M MB MB
PS MS M MB MB B
PB M MB MB B B
𝜃(𝑡) = 𝐾𝑝𝑒(𝑡) + 𝐾𝑖 ∫ 𝑒(𝜏)𝑑𝜏 …………………………….. (3-1)
Flow Control Valve (FCV) merupakan bagian utama dari pembangkit listrik
tenaga air. Pada dasarnya FCV mempunyai dua tujuan yaitu yang pertama,
membangkitkan energi putar mesin di poros generator untuk produksi listrik.
Kedua, mengendalikan variasi kecepatan putaran generator untuk menghasilkan
frekuensi yang tetap konstan. Didalam FCV sendiri terdiri beberapa komponen
yang mendukung untuk menghasilkan putaran pada poros generator antara lain,
30
Fuzzy -PI controller, hydro-electric servo system, dan turbin hidrolik. Dibawah ini
merupakan desain fuzzy pi dari sistem FCV.
Gambar 3.10 Pemodelan Fuzzy-PI
3.6 Model Beban
Beban yang digunakan adalah beban resistif dan induktif dengan kemampuan
menyerap daya sebesar 82KW yang dihubungkan dengan generator.
Gambar 3.11 Pemodelan Beban yang Digunakan.
3.7 Model Ballast Load
Gambar 3.12 Pemodelan ballast load
31
Tabel 3.6 Nilai Parameter beban ballast
Parameter Nilai
Beban 82 Kw
Frekuensi 50 Hz
Vrms 400 V
3.8 Model Electronic Load Controller (ELC)
Pada tugas akhir ini menggunakan rectifier sebagai ELC. Komponen yang
digunakan adalah mosfet yang disusun untuk mode 3 fasa. Berikut adalah
perancangan rectifier.
Gambar 3.13 Model rectifier pada simulasi MATLAB
Nilai parameter yang digunakan pada mosfet adalah sebagai berikut.
Tabel 3.7 Nilai parameter mosfet.
Parameter Nilai
FET resistance ron (ohm) 0.1
Internal diode inductance Lon (H) 0
Internal diode resistance Rd (ohm) 0.01
Internal diode forward voltage Vf (V) 0
Snubber Resistance Rs (ohm) 1e5
Snubber Capasitance Cf (F) inf
32
Berikut adalah gambar pensaklaran pada rectifier.
Gambar 3.14 Model Pensaklaran rectifier.
3.9 Model Generator sinkron
Jenis generator yang digunakan pada tugas akhir ini adalah generator sinkron 3 fasa
dengan model dan parameter sebagai berikut.
Gambar 3.15 Pemodelan Generator Sinkron
Tabel 3.8 Parameter generator sinkron.
Parameter Value
Nominal (VA), line-to-line voltage (V),
frequency (Hz)
160e3, 400, 50
Reactance (Xd,Xd’,Xd”,Xq’,Xq”,Xl)
(pu)
[2.24, 0.19, 0.13, 1.38, 0.17, 0.07]
Time Constant [Td’,Td”,Tq”] (s) [0.035, 0.011, 0.011]
Stator Resistance (pu) 0.024
Inertia coefficient (s), friction factor
(pu) pole pairs
[8 0 4]
Rotor Type Salient-Pole
33
3.10 Model Perancangan kontroler ANFIS-PID
Model perancangan kontroler ANFIS-PID didesain menggunakan MATLAB
Simulink R2016a. Gambar 3.15 menunjukkan perancangan kontroler ANFIS PID.
Gambar 3.16 Model Kontroler ANFIS PID
Pada perancangan ANFIS nilai sebagai input adalah nilai e(t) dan de(t).
Dimana nilai e(t) dan de(t) tersebut digunakan sebagai nilai training data. Berikut
merupakan proses training ANFIS Kp, Ki dan Kd.
Gambar 3.17 Algoritma Proses Training ANFIS Kp, Ki, Kd
34
Metode iterasi untuk proses training ANFIS Kp, Ki, dan Kd menggunakan
Gaussian Curve Membership Function. Persamaan Gaussian Curve Membership
Function sebagai berikut:
𝑦 = 𝑔𝑎𝑢𝑠𝑠𝑚𝑓(𝑥, [𝑠𝑖𝑔 𝑐]) ……………………………… (3-2)
Fungsi Gaussan simetris tergantung pada dua parameter σ dan c seperti
diberikan oleh
𝑓(𝑥; 𝜎, 𝑐) = 𝑒−(𝑥−𝑐)2
2𝜎2 ………………………………… (3-3)
Proses training sendiri dilakukan 3 tahap untuk memdapatkan nilai ANFIS
Kp, Ki, dan Kd. Untuk melakukan proses training menggunakan toolbox anfisedit
yang ada di command window. Proses training dimulai dengan me-load data yang
sudah tersedia di workspace. Data training terdiri dari nilai error e(t), dan delta
error de(t). Setelah itu generate FIS dengan jumlah membership function 5 untuk
masing-masing input dan tipe membership function Gaussmf. Lanjut untuk proses
training FIS. Untuk hasil proses training serta nilai average testing error dapat
ditampilkan seperti pada gambar 3.18.
Gambar 3.18 Tampilan GUI ANFIS
Jika proses training selesai, maka akan diperoleh file FIS yang baru dan nilai
parameter telah di update berdasarkan proses training. Parameter inilah yang akan
di tuning ke PID.
35
Berikut adalah tampilan surface dari ANFIS
Gambar 3.19 Surface ANFIS PID
3.11 Pemodelan Eksitasi
Sebagai referensi untuk pemodelan eksitasi adalah yang dirancang oleh
IEEE work group “IEEE Recommended Practice for Excitation System Models for
Power System Stability Studies.” IEEE Standart, Vol. 421, No.5, 2005 (Revision of
IEEE 521.5-1992), dan tersedia pada simulasi Simulink yang ada di MathWorks
dengan tipe eksitasi AC4A. Gambar 3.20 merupakan blok eksitasi dan gambar 3.21
model eksitasi tipe AC4A.
Gambar 3.20 Blok Eksitasi
Gambar 3.21 Model Eksitasi tipe AC4A
36
Tabel 3.9 Parameter sistem eksitasi
Parameter Nilai
Tr (s) 20e-3
[Ka(pu), Ta(s)] [200 0.015]
[Kc(pu), Tc(s)] [-10 10]
Tb(s) [10 1.0]
[vimax, Vimin](pu) [-10 10]
[vrmax, Vrmin](pu) [-4.53 5.64]