1

OPTIMISASI PENGATURAN DAYA REAKTIF DAN TEGANGAN PADA SISTEM INTERKONEKSI JAWA-BALI 500 KV MENGGUNAKAN

QUANTUM BEHAVED PARTICLE SWARM OPTIMIZATION

Refi Aulia Krisida, Adi Soeprijanto, Heri Suryoatmojo Jurusan Teknik Elektro FTI - ITS

Abstrak : Pada Tugas Akhir ini Quantum

behaved Particle Swarm Optimization (QPSO) digunakan

untuk meminimisasi rugi daya sistem dan meningkatkan

profil tegangan pada sistem tenaga listrik. Efisiensi

distribusi daya reaktif pada sistem tenaga listrik dapat

dicapai dengan menyesuaikan eksitasi pada generator.

Hal ini merupakan permasalahan optimisasi non-linier

dimana kecerdasan swarm telah terbukti mampu untuk

mendapatkan solusi yang optimum. Dua algoritma

digunakan dalam Tugas Akhir ini yaitu algoritma

Quantum behaved Particle Swarm Optimization (QPSO)

dan Particle Swarm Optimization (PSO). Keefektifan

kedua algoritma ini dievaluasi berdasarkan kualitas

solusi dan karakteristik konvergensi. Hasil Simulasi pada

Sistem Interkoneksi Jawa-Bali 500 kV menunjukkan

bahwa solusi dari QPSO lebih efektif daripada PSO

dalam mengurangi rugi daya sistem yaitu sebesar 12,14%

dan dapat menjaga profil tegangan sistem dalam batas

yang diperbolehkan.

Kata Kunci : Pengaturan Daya Reaktif dan Tegangan, Particle Swarm Optimization (PSO), Quantum behaved Particle Swarm Optimization (QPSO)

1. PENDAHULUAN

Energi listrik merupakan suatu bentuk energi yang memiliki peran sangat vital dalam aktivitas keseharian manusia. Setiap tahun terjadi peningkatan kebutuhan energi yang signifikan dan menuntut pihak penyedia tenaga listrik untuk memberikan supply tenaga yang cukup dan berkualitas. Sistem tenaga listrik skala besar sangat rentan terhadap gangguan yang dapat mempengaruhi kondisi kestabilan sistem. Kondisi yang sama juga terjadi pada sistem interkoneksi Jawa-Bali 500 kV. Sistem ini merupakan backbone dari sistem tegangan menengah di pulau Jawa dan Bali. Oleh sebab itu secara tidak langsung sistem menanggung beban yang besar misalnya industri-industri dengan mesin-mesin berdaya besar. Perubahan beban yang terjadi pada sistem dapat menimbulkan osilasi dan dapat mengganggu kondisi stabil. Pengaturan daya reaktif dan tegangan sistem tenaga listrik diperlukan untuk menjaga parameter-parameter jaringan tetap berada pada batas yang telah ditetapkan sebelumnya. Perubahan pada topologi jaringan dan kondisi beban sering kali menyebabkan perubahan tegangan di sistem tenaga listrik sekarang ini. Penelusuran mengenai permasalahan daya reaktif harus mempertimbangkan profil tegangan sistem dengan meminimumkan rugi-rugi pada sistem. Peralatan kontrol mempunyai batas terendah dan tertinggi membuat pengaturan daya reaktif dan tegangan menjadi semakin kompleks untuk sistem tenaga yang luas, yang menggunakan beberapa alat

kontrol. Beberapa pengaturan secara kontinyu terus bertambah sehingga terdapat banyak solusi optimum. Oleh karena itu diperlukan pengembangan metode optimisasi untuk menentukan solusi optimum secara keseluruhan dari semua permasalahan mengenai optimisasi pengaturan daya reaktif dan tegangan [1].

2. TEORI PENUNJANG

2.1 Studi Aliran Daya

Studi aliran daya adalah studi yang dilaksanakan untuk mendapatkan informasi mengenai aliran daya dan tegangan sistem dalam kondisi operasi tunak. Informasi ini sangat dibutuhkan guna mengevaluasi unjuk kerja sistem tenaga listrik dan menganalisis kondisi pembangkitan maupun pembebanan. Analisis aliran daya dalam sistem tenaga listrik memerlukan representasi atau pemodelan komponen sistem tenaga listrik. Salah satu metode yang cukup baik untuk digunakan dalam studi aliran daya adalah metode Newton Raphson [2,3].

2.2 Pengaturan Daya Reaktif dan Tegangan

Pengaturan daya reaktif dan tegangan dilakukan dengan mengatur produksi dan penyerapan daya reaktif pada setiap bagian dari sistem tenaga listrik. Selain pengaturan pada sisi pembangkit, yaitu dengan pengaturan eksitasi generator, pengaturan peralatan tegangan lain harus dilakukan untuk menjaga tegangan di keseluruhan sistem tetap pada batas yang diperbolehkan. Peralatan tambahan tersebut salah satunya adalah sumber atau beban daya reaktif, seperti capasitor bank dengan power factor control. Selain itu dapat juga digunakan transformator pengatur, seperti transformator yang dilengkapi dengan pengaturan tap [2]. Pengaturan daya reaktif dan tegangan dilakukan dengan menggunakan beberapa cara berikut:

Static VAR Compensator Shunt capacitor digunakan untuk memperbaiki drop

tegangan secara lokal dilokasi tertentu. Peralatan Flexible AC Transmission System (FACTS) Pengaturan tap transformator, transformator daya

umumnya dilengkapi dengan tap pada lilitannya untuk mengubah besarnya tegangan yang keluar dari transformator. Perubahan tegangan dilakukan dengan merubah posisi tap transformator.

Switching saluran transmisi. Pengaturan eksitasi pada generator. Dengan mengatur

arus eksitasi, tegangan dapat diatur sesuai dengan kebutuhan. Untuk menaikkan tegangan, arus eksitasi dapat ditambah dan berlaku juga sebaliknya. Yang dimaksud dengan eksitasi atau biasa disebut sistem penguatan adalah suatu perangkat yang memberikan arus penguat kepada kumparan medan generator arus

2

bolak-balik (alternating current) yang dijalankan dengan cara membangkitkan medan magnetnya dengan bantuan arus searah.

Tujuan dari optimisasi pengaturan daya reaktif dan tegangan adalah sebagai berikut [1,4,5]:

- Meningkatkan profil tegangan - Mengurangi rugi daya aktif dari sistem. - Menentukan kompensasi daya reaktif yang optimal

untuk berbagai kondisi operasi. Untuk memperoleh tujuan-tujuan diatas, pilihan-pilihan operator pengaturan sistem tenaga yang dapat digunakan antara lain dengan penambahan eksitasi generator, pengubahan tap transformator dan Shunt capacitor [1,2,5]. 2.3 Model Optimisasi

Terdapat beberapa model optimisasi untuk pengaturan daya reaktif dan tegangan dengan fungsi objektif yang berbeda-beda. Salah satu model optimisasi pengaturan daya reaktif dan tegangan dengan fungsi objektif mendapatkan nilai rugi daya aktif saluran transmisi yang minimum adalah sebagai berikut:

, , = =1 (1)

, , (2)

, , (3)

(4)

(5)

(6)

Dengan, = Rugi daya aktif sistem = Magnitude tegangan bus generator = Magnitude tegangan bus beban = Posisi tap pada transformator = Injeksi daya reaktif dari kapasitor shunt = Daya reaktif yang dibangkitkan generator

Subscript min dan max pada persamaan model optimisasi diatas menunjukkan batas atas dan bawah dari konstrain yang tidak boleh dilewati. Dalam melakukan optimisasi pengaturan daya reaktif dan tegangan dengan fungsi objektif mencari nilai rugi daya aktif saluran transmisi yang paling minimum, variabel kontrol yang dapat digunakan dalam proses optimisasi antara lain adalah nilai magnitude tegangan bus generator, rasio (posisi) tap pada transformator dan injeksi daya reaktif dari kapasitor shunt. Sedangkan variabel keadaannya adalah nilai magnitude tegangan bus beban dan daya reaktif yang dibangkitkan oleh generator. Seluruh nilai variabel kontrol dan variabel keadaan tersebut harus berada pada batas minimum dan maksimum yang ditentukan [1,5].

3. REALISASI QPSO UNTUK PENGATURAN DAYA REAKTIF DAN TEGANGAN

3. 1 Quantum behaved Particle Swarm Optimization

QPSO merupakan integrasi antara quantum computing dan PSO. Dalam QPSO, keadaan partikel dikarakteristikan dengan fungsi gelombang wave function (x,t), bukan dalam fungsi posisi dan kecepatan. |(x,t)|2

adalah probability density function posisinya. Kelemahan yang terdapat pada PSO standar adalah cenderung mencapai konvergensi pada local optima dan tidak dapat menjamin global convergence [6]. Untuk mengatasi problem ini, dapat digunakan Quantum behaved Particle Swarm Optimization (QPSO) yang dapat menjamin global convergence. Dengan menerapkan metode Monte Carlo, fungsi perubahan posisi (position update) dari tiap partikel pada QPSO dituliskan dalam Persamaan 7 dan 8 sebagai berikut [7,8]:

( + 1) = () + () () ln 1

0.5

(7)

( + 1) = () () () ln 1

< 0.5

(8)

() = () + (1 ()) () (9)

=11

1 1 +(2 2 ()) (10)

() =1

=1 (11)

Dengan, = Iterasi = Posisi saat ini dari partikel i dalam dimensi

d pada iterasi t + 1 = Posisi dari partikel i dalam dimensi d pada

iterasi t + 1 () = local attractor dari partikel i dalam dimensi

d pada iterasi t 1 = Konstanta akselerasi 1(konstanta kognitif) 2 = Konstanta akselerasi 2 (konstanta sosial) 1 = Bilangan acak yang terdistribusi seragam

antara 0 hingga 1 pada iterasi t 2 = Bilangan acak yang terdistribusi seragam

antara 0 hingga 1 pada iterasi t = Jumlah partikel = Posisi terbaik lokal dari partikel i dalam

dimensi d pada iterasi t () = Posisi terbaik global dalam dimensi d pada

iterasi t () = Nilai rata-rata posisi terbaik lokal dalam

dimensi d pada iterasi t

Parameter lain yang dikenal di dalam algoritma QPSO adalah contractionexpansion coefficient. Parameter ini digunakan untuk mengatur kecepatan konvergensi dari partikel. Nilai awal beta yang lebih tinggi dapat menghasilkan keragaman populasi yang lebih besar pada awal optimisasi, sedangkan pada tahap berikutnya nilai beta yang lebih rendah, membuat eksplorasi lebih terfokus dalam mencari ruang. Nilai awal digunakan untuk mengakomodasi pencarian awal yang lebih global dan secara dinamis nilai tersebut berkurang hingga menjadi . Hal ini bertujuan untuk mengakhiri algoritma QPSO dengan pencarian lokal yang lebih baik. Fungsi contractionexpansion coefficient (beta) dituliskan dalam Persamaan 12 sebagai berikut [9]:

=

() (12)

3

Dengan, = contractionexpansion coefficient (beta) = Nilai awal contractionexpansion coefficient = Nilai awal contractionexpansion coefficient itermax = Iterasi maksimum () = Iterasi

QPSO cukup mudah untuk dimengerti dan diimplementasikan dan QPSO juga telah diuji dalam berbagai permasalahan standar mengenai optimisasi dengan hasil yang sangat baik. Lebih lanjut lagi algoritma QPSO juga telah terbukti lebih efektif daripada algoritma konvensional pada kasus-kasus umum [9].

3.2 Penerapan QPSO dalam Simulasi

Diagram alur (Flowchart) dari penerapan QPSO dalam simulasi ditampilkan pada Gambar 1 berikut.

Start

Parameter QPSO

dan

Data Sistem

Perhitungan rugi daya aktif

saluran transmisi sistem

(Ploss)

Inisialisasi

current position tiap partikel

I = 0

Partikel Terbaik Lokal

Partikel Terbaik

Global (i) = Partikel

Terbaik Global (i-1)

Partikel Terbaik Global

(i) = Partikel Terbaik

Lokal (i)

min Ploss

partikel (i) < min Ploss

partikel (i-1)

i < i maks

i = i+1

Vgen = Gbest Position

Stop

Update Mbest & Beta

Update Position

Ya

Tidak

Ya

Tidak

Loadflow Hasil Akhir

Gambar 1 Diagram Alur Penerapan QPSO pada Penalaan

Tegangan Bus Generator

Dalam Tugas Akhir ini metode optimisasi QPSO diaplikasikan untuk menemukan nilai parameter tegangan bus generator. Melalui metode optimisasi QPSO ini, nilai parameter yang diperlukan diinisialisasi sebagai bagian dari posisi partikel atau burung yang akan disebar pada ruang permasalahan. Sehingga yang menjadi posisi awal dari partikel adalah nilai parameter tegangan bus generator. Variabel atau dimensi pada QPSO yang digunakan adalah 7 variabel yaitu 7 variabel yang mewakili parameter tegangan pada 7 bus generator pada sistem interkoneksi Jawa-Bali 500 kV yaitu bus generator Cirata, Muara Tawar, Saguling, Gresik, Tanjung Jati, Grati dan Paiton.

Output yang ingin dicapai melalui QPSO adalah nilai minimum dari rugi daya aktif saluran transmisi sistem. Proses awal yang ditempuh adalah inisialisasi partikel berdasarkan pada jumlah variabel atau parameter yang dioptimisasi dan jumlah partikel yang ingin disebar dalam ruang permasalahan.

Selanjutnya nilai partikel akan diacak berdasarkan pada batas yang telah ditetapkan untuk masing-masing variabel. Selanjutnya proses diteruskan dengan melakukan perhitungan terhadap nilai fitness dari masing-masing partikel berbasis pada fungsi objektif yang telah ditetapkan. Fungsi objektif yang digunakan adalah untuk memperoleh rugi daya aktif saluran transmisi sistem. Berdasarkan pada fungsi objektif inilah ditentukan apakah rugi daya aktif saluran transmisi sistem telah minimum atau belum. Proses selanjutnya adalah melakukan update nilai personal best position, nilai mean best position, nilai global best position, nilai beta dan nilai posisi untuk setiap proses iterasi yang dilakukan. Pada setiap iterasi akan dilakukan evaluasi terhadap nilai fungsi objektif. Dari hasil evaluasi, posisi partikel yang terbaik akan terus dipertahankan hingga proses iterasi berakhir. Proses yang membedakan antara PSO dan QPSO adalah pada QPSO tidak terdapat update velocity partikel. Selain itu, pada QPSO terdapat variabel contractionexpansion coefficient (beta) dan local attractor [7,8,9].

4. SIMULASI DAN ANALISIS

4.1 Data Sistem Interkoneksi Jawa-Bali 500 kV

Sistem Interkoneksi Jawa-Bali 500 kV terdiri dari 8 pembangkit, 30 saluran dan 25 bus. Untuk mengerjakan Tugas Akhir ini, diperlukan data-data penomoran bus, data beban dan pembangkitan, serta data parameter saluran. Data beban yang digunakan adalah pada tanggal 19 April 2011 saat beban puncak pada siang hari pukul 13.30 WIB dengan jumlah beban total yang terpasang adalah 10.361 MW dan 3.565 MVAR. Data tersebut ditunjukkan dalam Tabel 1. Dalam Tugas Akhir ini digunakan MVA base sebesar 1000 MVA dan KV base sebesar 500 kV sebagai nilai base dari sistem interkoneksi Jawa-Bali 500 kV. Tabel 1 Data Beban

No

Bus Nama Bus

Jenis

Bus

Pembebanan

P

(MW)

Q

(MVAR)

1 Suralaya Swing 219 67 2 Cilegon Beban 333 179 3 Kembangan Beban 202 39 4 Gandul Beban 814 171 5 Cibinong Beban 638 336 6 Cawang Beban 720 217

4

Lanjutan Tabel 1

No

Bus Nama Bus

Jenis

Bus

Pembebanan

P

(MW)

Q

(MVAR)

7 Bekasi Beban 1126 331 8 Muara Tawar Generator 0 0 9 Cibatu Beban 1152 345

10 Cirata Generator 597 201 11 Saguling Generator 0 0 12 Bandung Selatan Beban 477 254 13 Mandiracan Beban 293 65 14 Ungaran Beban 193 118 15 Tanjung Jati Generator 0 0 16 Surabaya Barat Beban 508 265 17 Gresik Generator 127 92 18 Depok Beban 342 95 19 Tasikmalaya Beban 133 33 20 Pedan Beban 365 101 21 Kediri Beban 498 124 22 Paiton Generator 448 55 23 Grati Generator 180 132 24 Balaraja Beban 732 287 25 Ngimbang Beban 264 58

4.2 Hasil Loadflow Sebelum Optimisasi

Untuk mengetahui kondisi sebelum optimisasi pengaturan daya reaktif dan tegangan dilakukan analisis aliran daya (loadflow) menggunakan metode Newton Raphson. Hasil aliran daya diperlihatkan pada Tabel 2. Dari hasil loadflow diperoleh rugi-rugi saluran transmisi sebesar 274,611 MW dan 2.679,647 MVAR dengan supply daya dari pembangkit sebesar 10.635,611 MW dan 6.244,647 MVAR.

Tabel 2 Hasil Loadflow Sebelum Optimisasi

No Bus

Kode Bus

Magnitude Tegangan Bus (p.u)

Pembebanan Pembangkitan

MW MVAR MW MVAR

1 1 1,020 219 67 1.429,0 1.496,12 2 0 1,016 333 179 0 0 3 0 0,967 202 39 0 0 4 0 0,968 814 171 0 0 5 0 0,968 638 336 0 0 6 0 0,966 720 217 0 0 7 0 0,960 1126 331 0 0 8 2 1,000 0 0 1.760,0 1.623,99 9 0 0,983 1152 345 0 0

10 2 0,980 597 201 948,0 746,36 11 2 0,970 0 0 698,4 185,11 12 0 0,951 477 254 0 0 13 0 0,921 293 65 0 0 14 0 0,928 193 118 0 0 15 2 1,000 0 0 1.321,6 486,20 16 0 0,972 508 265 0 0 17 2 0,980 127 92 900,0 581,00 18 0 0,966 342 95 0 0 19 0 0,916 133 33 0 0 20 0 0,912 365 101 0 0 21 0 0,934 498 124 0 0 22 2 1,000 448 55 3.180,0 748,29 23 2 0,990 180 132 398,6 377,57 24 0 0,985 732 287 0 0 25 0 0,958 264 58 0 0

Total 10361 3565 10.635,6 6244,65

Keterangan untuk kode bus : 0. Load Bus (Bus Beban) 1. Slack Bus (Swing Bus) 2. Voltage Control Bus (Bus Generator)

4.3 Hasil Loadflow Setelah Optimisasi Dengan

Menggunakan PSO

Hasil aliran daya setelah dilakukan optimisasi pengaturan daya reaktif dan tegangan dengan menggunakan PSO standar diperlihatkan pada Tabel 3. Dari hasil loadflow diperoleh rugi-rugi saluran transmisi (losses) sebesar 245,003 MW dan 2.353,715 MVAR dengan supply daya dari pembangkit sebesar 10.606,003 MW dan 5.918,715 MVAR.

Tabel 3 Hasil Loadflow Setelah Optimisasi dengan PSO

No Bus

Kode Bus

Magnitude Tegangan Bus (p.u)

Pembangkitan MW MVAR

1 1 1,020 1.399,4 1.168,535 2 0 1,017 0 0 3 0 0,981 0 0 4 0 0,982 0 0 5 0 0,984 0 0 6 0 0,979 0 0 7 0 0,974 0 0 8 2 1,010 1.760,0 1.290,393 9 0 0,999 0 0

10 2 1,000 948,0 233,505 11 2 1,000 698,4 1025,175 12 0 0,984 0 0 13 0 0,965 0 0 14 0 0,984 0 0 15 2 1,050 1.321,6 456,647 16 0 1,034 0 0 17 2 1,043 900,0 681,834 18 0 0,982 0 0 19 0 0,952 0 0 20 0 0,965 0 0 21 0 0,988 0 0 22 2 1,050 3.180,0 518,688 23 2 1,050 398,6 543,937 24 0 0,993 0 0 25 0 1,019 0 0

Total 10.606,0 5.918,715 4.3.4 Hasil Loadflow Setelah Optimisasi Dengan

Menggunakan QPSO

Hasil aliran daya setelah dilakukan optimisasi pengaturan daya reaktif dan tegangan dengan menggunakan QPSO diperlihatkan pada Tabel 4. Dari hasil loadflow diperoleh rugi-rugi saluran transmisi (losses) sebesar 241,269 MW dan 2.310,995 MVAR dengan supply daya dari pembangkit sebesar 10.602,269 MW dan 5.875,995 MVAR

Tabel 4 Hasil Loadflow Setelah Optimisasi dengan QPSO

No Bus

Kode Bus

Magnitude Tegangan Bus (p.u)

Pembangkitan MW MVAR

1 1 1,020 1.395,7 837,313 2 0 1,018 0 0 3 0 0,995 0 0 4 0 0,996 0 0 5 0 1,001 0 0 6 0 1,002 0 0 7 0 0,995 0 0 8 2 1,037 1.760,0 1.622,110 9 0 1,024 0 0

10 2 1,024 948,0 426,648 11 2 1,020 698,4 910,053

5

Lanjutan Tabel 4 No Bus

Kode Bus

Magnitude Tegangan Bus (p.u)

Pembangkitan MW MVAR

12 0 1,003 0 0 13 0 0,980 0 0 14 0 0,990 0 0 15 2 1,050 1.321,6 417,549 16 0 1,035 0 0 17 2 1,043 900,0 647,006 18 0 0,997 0 0 19 0 0,964 0 0 20 0 0,972 0 0 21 0 0,991 0 0 22 2 1,050 3.180,0 488,537 23 2 1,050 398,6 526,780 24 0 1,001 0 0 25 0 1,021 0 0

Total 10.602,3 5.875,995 4.4 Pembahasan Hasil Simulasi

Hasil dari simulasi Tugas Akhir ini ditunjukkan pada nilai tegangan bus generator yang ditala dengan metode PSO dan QPSO. PSO dan QPSO digunakan untuk menala 7 nilai tegangan bus generator. Jumlah burung atau partikel yang digunakan adalah 50 partikel dengan total iterasi pada proses adalah 500 iterasi. Prinsip kerja dari PSO dan QPSO adalah menala parameter tegangan dari 7 bus generator dalam suatu batasan nilai sesuai standar yang telah ditetapkan yaitu 0,95 pu 1,05 pu. Parameter untuk program PSO dan QPSO, serta batasan nilai tegangan bus generator ditampilkan pada Tabel 5. Hasil penalaan tegangan bus generator dengan PSO dan QPSO ditampilkan pada Tabel 6.

Tabel 5 Parameter PSO dan QPSO No Parameter Nilai

1 Jumlah Partikel 50 2 Jumlah Iterasi 500 3 Min (QPSO) 0,4 4 Maks (QPSO) 1,0 5 Weight Min (PSO) 0,2 6 Weight Maks (PSO) 0,9 7 Acceleration 1 & 2 (c1 & c2) 2 8 Jumlah Variabel 7 9 Batas Atas Tegangan Bus Generator 1,05

10 Batas Bawah Tegangan Bus Generator 0,95 Tabel 6 Hasil Penalaan Tegangan Bus Generator

No

Bus Pembangkit PSO QPSO

8 Muaratawar 1.0500 1.0465 10 Cirata 0.9500 1.0435 11 Saguling 1.0500 1.0500 15 Tanjung Jati 1.0500 1.0500 17 Gresik 1.0430 1.0432 22 Paiton 1.0500 1.0500 23 Grati 1.0500 1.0500

Pada sistem interkoneksi Jawa-Bali 500 kV tidak

terpasang transformator dan shunt capacitor. Dalam optimisasi ini reactor shunt tidak dilibatkan dalam optimisasi karena reaktor difungsikan untuk menjaga tegangan. Sehingga rasio tap transformator dan injeksi daya reaktif dari shunt capacitor tidak dapat dijadikan variabel kontrol dalam

optimisasi. Dalam proses perhitungan aliran daya sistem dalam keadaan steady state atau beban konstan dan seimbang. Keberhasilan metode Quantum behaved Particle Swarm Optimization (QPSO) dengan nilai parameter yang ditunjukkan dalam Tabel 5 dalam menyelesaikan optimisasi pengaturan daya reaktif dan tegangan pada sistem interkoneksi Jawa-Bali 500 kV ditunjukan dalam Tabel 7. Tabel 7 Perbandingan Hasil Optimisasi antara Metode PSO dan

QPSO

Hal yang dibandingkan PSO QPSO

Pembangkitan Daya Aktif (MW) 10.606,003 10.602,269 Pembangkitan Daya Reaktif (MVAR) 5.918,715 5.875,995 Rugi Daya Aktif Saluran (MW) 245,003 241,269 Rugi Daya Reaktif Saluran (MVAR) 2353,715 2.310,995 Nilai Fitness Terbaik (MW) 245,003 241,269 Penurunan Losses (MW) 29.608 33.342 Prosentase Penurunan Losses 10.78 % 12.14 % Konvergensi Iterasi ke-56 Iterasi ke-228

Gambar 2 Karakteristik Konvergensi PSO dan QPSO

Kurva konvergensi PSO dan QPSO dalam penalaan tegangan bus generator ditampilkan pada Gambar 2. Grafik karakteristik konvergensi menunjukkan bahwa penalaan melalui metode QPSO mampu menghasilkan nilai rugi daya aktif saluran transmisi yang lebih rendah dibandingkan dengan nilai rugi daya aktif saluran transmisi yang dihasilkan melalui metode PSO. Hal ini menunjukkan bahwa terjadi peningkatan prosentase penurunan rugi daya aktif saluran transmisi sistem sehingga proses penyaluran daya listrik menjadi lebih baik. Metode PSO konvergen pada iterasi ke-56 sedangkan metode QPSO menemui titik konvergensi pada iterasi ke-228. Walaupun PSO mempunyai konvergensi yang lebih baik (lebih cepat konvergen) daripada QPSO, namun nilai fitness terbaik yang ditemukan oleh QPSO jauh lebih baik daripada nilai fitness terbaik (rugi daya aktif saluran transmisi yang minimum) yang ditemukan oleh QPSO.

Hal ini menunjukkan bahwa solusi yang didapatkan oleh PSO adalah local optima, sedangkan QPSO dapat menemukan solusi yang lebih baik (global optima). Hal ini menunjukkan bahwa performa algoritma QPSO dalam optimisasi pengaturan daya reaktif dan tegangan lebih baik daripada algoritma PSO.

6

Sebelum dilakukan optimisasi, dari hasil loadflow diperoleh daya dari pembangkit sebesar 10.635,611 MW dan 6.244,647 MVAR dengan rugi-rugi saluran transmisi sebesar 274,611 MW dan 2.679,647 MVAR. Setelah dilakukan optimisasi menggunakan metoda QPSO dengan jumlah partikel sebanyak 50 partikel, rugi daya aktif saluran transmisi menurun menjadi 241,269 MW dan konvergen pada iterasi ke-228 ditunjukkan pada Gambar 2. Begitu pula daya aktif dan daya reaktif pembangkit turun dari 10.635,611 MW menjadi 10.602,269 MW dan dari 6.244,647 MVAR menjadi 5.875,995 MVAR yang disebabkan oleh penurunan rugi-rugi saluran transmisi. Dari Gambar 2 dapat dilihat dengan jumlah partikel dan iterasi yang sama, metode QPSO menghasilkan rugi daya aktif lebih minimum dibandingkan dengan PSO standar yaitu sebesar 241,269 MW dan 245,003 MW. Bertambahnya aliran daya reaktif yang bersumber dari generator menyebabkan tegangan bus mengalami kenaikan seperti ditunjukkan pada Gambar 3 atau dengan kata lain pengaturan daya reaktif dan tegangan dapat memperbaiki profil tegangan bus dari sistem interkoneksi Jawa-Bali 500 kV.

Gambar 3 Profil Tegangan Bus Sebelum dan Sesudah Optimisasi

Pengaturan Tegangan dan Daya Reaktif

5. KESIMPULAN

Dari hasil simulasi penerapan QPSO untuk optimisasi pengaturan tegangan dan daya reaktif pada sistem interkoneksi Jawa-Bali 500 kV dapat ditarik beberapa kesimpulan sebagai berikut:

1. Penerapan metode QPSO berhasil mengurangi rugi daya aktif saluran transmisi sistem hingga 12.14 %. Hasil ini lebih baik jika dibandingkan dengan penggunaan metode PSO yang hanya dapat mengurangi sebesar 10.78 %.

2. Penerapan metode QPSO juga dapat memperbaiki atau meningkatkan profil tegangan sistem dengan lebih baik dibandingkan metode PSO.

3. Walaupun PSO lebih cepat konvergen namun hasil yang dicapai merupakan local optima apabila dibandingkan dengan kemampuan QPSO untuk jumlah iterasi yang sama, hasil yang diperoleh lebih baik dan merupakan global optima.

DAFTAR PUSTAKA

[1] L. Grant, G. K. Venayagamoorthy, G. Krost, G. A. Bakare, Swarm Intelligence and Evolutionary Approaches for Reactive Power and Voltage Control, IEEE Swarm Intelligence Symposium, 2008

[2] Hadi Saadat, Power System Analysis, Mc.Graw Hill, Singapore, 2004

[3] Adi Soeprijanto, Diktat Kuliah Analisa Sistem Tenaga [4] Miller, T.J.E., Reactive Power Control in Electric

Systems, John Wiley & Sons Inc, Canada, 1982 [5] Zhu, Jizhong, Optimization of Power System

Operation, John Wiley & Sons Inc, New Jersey, 2009 [6] Maickel Tuegeh, Adi Soeprijanto, Mauridhi

H.Purnomo, Modified Improved Particle Swarm Optimization For Optimal Generator Scheduling, Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009), 2009

[7] Songfeng Lu, Chengfu Sun, Zhengding Lu, An improved quantum-behaved particle swarm optimization method for short-term combined economic emission hydrothermal scheduling, Energy Conversion and Management, vol.51, pp.561571, 2010

[8] Leandro dos Santos Coelho, Gaussian quantum-behaved particle swarm optimization approaches for constrained engineering design problems, Expert Systems with Applications, vol.37, pp.16761683, 2010

[9] S.N. Omkar, Rahul Khandelwal, T.V.S. Ananth, G. Narayana Naik, S. Gopalakrishnan, Quantum behaved Particle Swarm Optimization (QPSO) for multi-objective, Expert Systems with Applications, vol.36, pp.1131211322, 2009

RIWAYAT HIDUP PENULIS

Refi Aulia Krisida, dilahirkan di Surabaya, pada tanggal 11 Juli 1989. Penulis menempuh jenjang pendidikan di TK Kemala Bhayangkari I Surabaya (1994-1996), SD Kemala Bhayangkari I Surabaya (1996-2002), SMPN 12 Surabaya (2002-2005), SMAN 5 Surabaya (2005-2007). Setelah lulus SMA, penulis melanjutkan studinya di S1 Teknik Elektro, Bidang Studi Teknik

Sistem Tenaga, Institut Teknologi Sepuluh Nopember Surabaya melalui jalur penerimaan SPMB. Selama kuliah, penulis aktif dalam kegiatan organisasi di kampus dan sebagai asisten Laboratorium Instrumentasi Pengukuran dan Identifikasi Sistem Tenaga (LIPIST-B.204).