UAS ALGORITMA GENETIKA

Referensi :
Zulfahri, Abrar Tanjung, dan Monice. "Optimalisasi Pengaturan Tegangan di Jaringan Listrik dengan Menggunakan Genetik Algoritma." Jurnal Teknik, Volume 14, Nomor 2, Oktober 2020, pp. 216-222. Universitas Lancang Kuning.




1. Judul [Kembali]
    Judul artikel yang dibahas yaitu "Optimalisasi Pengaturan Tegangan Di Jaringan Listrik Dengan Menggunakan Genetik Algoritma".

2. Abstrak [Kembali]
    Penelitian ini menggunakan algoritma genetika untuk mengoptimalkan alokasi kapasitor shunt pada sistem IEEE 30-bus guna mengurangi rugi-rugi daya dan memperbaiki profil tegangan. Hasil menunjukkan penurunan rugi-rugi daya aktif dari 9,55 MW menjadi 6,44 MW (efisiensi 32,58%) dan peningkatan tegangan minimum dari 0,930 pu menjadi 0,950 pu, sesuai batas yang diizinkan. Algoritma genetika terbukti efektif meningkatkan efisiensi jaringan distribusi listrik.

3. Pendahuluan [Kembali]
    Daya reaktif memainkan peran penting dalam desain dan operasi sistem tenaga listrik. Ketidakstabilan tegangan sering terjadi akibat perubahan kondisi beban, sehingga diperlukan pengaturan daya reaktif untuk menjaga kestabilan tegangan. Salah satu solusi yang efektif adalah pemasangan kapasitor shunt, yang dapat mengurangi rugi-rugi daya dan meningkatkan profil tegangan. Namun, penempatan dan kapasitas kapasitor yang tidak optimal dapat menyebabkan masalah, termasuk kerusakan perangkat. Untuk menyelesaikan permasalahan ini, digunakan metode Algoritma Genetika, yang merupakan teknik optimisasi berbasis kecerdasan buatan. Metode ini mampu menentukan lokasi dan ukuran kapasitor secara optimal, menghasilkan peningkatan stabilitas dan efisiensi sistem tenaga listrik.

4. Medote Penelitian [Kembali]

a. Metode
    Tujuan Penelitian ini menyelesaikan permasalahan Optimalisasi pengaturan tegangan di Jaringan Listrik melalui peletakan (placement) kapasitor yang meliputi penentuan lokasi dan ukuran kapasitor yang akan digunakan data system standar IEEE 30 bus.
    Flowchart ini menggambarkan proses optimasi penempatan kapasitor shunt pada sistem tenaga listrik 30 bus IEEE menggunakan Algoritma Genetika. Proses dimulai dengan memasukkan data pembangkit dan saluran, dilanjutkan dengan analisis aliran daya awal menggunakan metode Newton Raphson. Selanjutnya, Algoritma Genetika digunakan untuk menentukan lokasi dan kapasitas optimal kapasitor shunt. Setelah kapasitor ditempatkan, dilakukan analisis aliran daya ulang untuk mengevaluasi perbaikan tegangan dan pengurangan rugi-rugi daya. Proses ini berakhir dengan hasil optimasi yang meningkatkan efisiensi dan stabilitas sistem tenaga listrik.

b. Aliran Daya Reaktif
    Aliran daya reaktif sangat penting untuk menjaga kestabilan tegangan pada sistem tenaga listrik. Ketidakseimbangan aliran daya reaktif, seperti yang disebabkan oleh beban yang fluktuatif, dapat menurunkan kualitas tegangan. Untuk mengatasi masalah ini, kapasitor shunt digunakan sebagai perangkat kompensasi daya reaktif. Penempatan kapasitor yang tepat membantu mengurangi rugi-rugi daya dan meningkatkan profil tegangan. Namun, jika kapasitor tidak ditempatkan secara optimal, dapat terjadi ketidakefisienan atau bahkan kerusakan pada sistem. Penelitian ini mengatasi tantangan tersebut dengan pendekatan Algoritma Genetika, yang mampu menentukan lokasi dan kapasitas optimal kapasitor untuk meningkatkan efisiensi sistem tenaga listrik. Daya rata-rata dalam rangkaian tersebut sebagai daya aktif dan daya yang disuplay energi yang tersimpan dalam elemen reaktif tersebut sebagai daya aktif.

c. Penerapan metode Newton Raphson
    Metode Newton Raphson digunakan untuk menghitung aliran daya dalam sistem tenaga listrik, yang mencakup daya aktif dan daya reaktif pada tiap bus. Proses ini melibatkan iterasi untuk menyelesaikan persamaan nonlinear yang menggambarkan hubungan antara tegangan, daya, dan elemen jaringan. Analisis ini dilakukan untuk menentukan profil tegangan awal sistem sebelum optimasi kapasitor dilakukan. Hasil dari metode ini menjadi dasar untuk evaluasi kebutuhan kompensasi daya reaktif dan masukan untuk proses optimasi menggunakan Algoritma Genetika.

d. Algoritma Genetika
    Genetika adalah metode untuk mencari algoritma berdasarkan mekanisme seleksi alam dan genetik. Algoritma Genetika adalah algoritma yang digunakan untuk optimisasi berdasar prinsip pencarian biologi yang simultan berdasar banyak titik dalam space pencarian. 
    Dalam metode Algoritma Genetika, populasi terdiri dari individu yang merepresentasikan solusi dalam bentuk bilangan nyata (gen-gen kromosom). Populasi awal dihasilkan secara acak dan kemudian diproses melalui operasi genetik, yaitu seleksi, crossover, dan mutasi. Hasil mutasi dievaluasi menggunakan fungsi fitness untuk menentukan kromosom terbaik yang akan digunakan pada siklus berikutnya. Proses ini berlanjut hingga mencapai kriteria berhenti, seperti nilai optimal atau jumlah generasi tertentu.

Proses AG mengikuti aturan berikut: 
  1. Membentuk populasi awal secara acak.
  2. Mengevaluasi setiap individu menggunakan fungsi atau formula tertentu.
  3. Menyeleksi individu terbaik untuk membentuk populasi baru berdasarkan nilai fitness.
  4. Menerapkan operator genetika (mutasi dan crossover) untuk menghasilkan solusi baru.
  5. Mengevaluasi individu baru yang terbentuk.
  6. Mengulangi langkah 3-5 hingga memenuhi kriteria terminasi, seperti jumlah generasi tertentu.
5. Hasil dan Pembahasan [Kembali]
    Metode pengolahan data menggunakan sistem standar IEEE 30 bus, yang terdiri dari 30 bus, 24 saluran, 1 slack bus, 4 kontrol tegangan, dan 2 pusat pembangkit. Data dianalisis menggunakan metode aliran daya Newton Raphson untuk menentukan profil tegangan tiap bus serta rugi-rugi daya aktif dan reaktif, seperti ditampilkan pada Tabel berikut :
    Pada simulasi Optimalisasi pengaturan tegangan di Jaringan Listrik menggunakan Genetik Algoritma. Proses pengoptimalan ditujukan untuk meminimalkan ukuran keseluruhan kapasitor shunt yang digunakan dan total kehilangan daya dalam sistem jaringan. 
Pembatasan yang perlucdipertimbangkan adalah:
1. Batasan tegangan pada bus Vmin =0.95 pu dan Vmax = 1.05 pu.
2. Ukuran total kapasitor shunt akan dialokasikan maksimum 25 Mvar.

Berikut ini akan menampilkan hasil simulasi dengan Genetika Algoritma dalam pengaturan tegangan di Jaringan Listrik pada 30 bus test system.

    Grafik dibawah ini menunjukkan profil tegangan pada setiap bus sebelum dan sesudah optimasi menggunakan Algoritma Genetika (GA). Sebelum optimasi (garis merah), beberapa bus memiliki tegangan di bawah batas optimal, sedangkan sesudah optimasi (garis biru), tegangan di seluruh bus menunjukkan perbaikan dan berada dalam rentang yang diinginkan (0.95–1.05 p.u.). Hal ini menegaskan bahwa optimasi dengan GA berhasil meningkatkan stabilitas tegangan sistem tenaga listrik.

    Dari persamaan data diatas terlihat pengurangan nilai sebesar 2712 kVA, dari nilai sebelum sebelum optimasi sebesar 22730 kVA, setelah optimasi menjadi 20018 kVA. Hal ini memperlihatkan rugi-rugi daya minimum telah diperoleh, dan penghematan daya listrik dapat dilakukan sebesar 11.9313 %. Perhitungan dengan metode Genetika algoritma memperlihatkan nilai loses yang semakin rendah seiring pertambahan iterasi.


    Grafik diatas menunjukkan daya aktif pada setiap bus sebelum dan sesudah optimasi menggunakan Algoritma Genetika (GA). Sebelum optimasi (garis merah), terdapat fluktuasi daya aktif yang lebih signifikan di beberapa bus. Setelah optimasi (garis biru), distribusi daya aktif menjadi lebih stabil, menunjukkan efisiensi aliran daya yang meningkat pada sistem tenaga listrik.


    Grafik diatas menunjukkan daya reaktif pada setiap bus sebelum dan sesudah optimasi menggunakan Algoritma Genetika (GA). Sebelum optimasi (garis merah), distribusi daya reaktif menunjukkan fluktuasi yang lebih besar di beberapa bus. Setelah optimasi (garis biru), distribusi daya reaktif menjadi lebih stabil, menunjukkan perbaikan dalam pengelolaan daya reaktif sistem tenaga listrik.

6. Kesimpulan [Kembali]
    Berdasarkan analisis pada sistem 30 bus IEEE, pengaturan tegangan menggunakan algoritma genetik menunjukkan hasil optimal dengan penempatan kapasitor yang meningkatkan injeksi sebesar 21,9 Mvar pada bus tertentu, sehingga memperbaiki tegangan dan mengurangi daya reaktif. Kinerja komputasi menghasilkan tegangan terendah meningkat dari 0,850 p.u. menjadi 0,859 p.u. setelah optimasi. Meskipun pengurangan tegangan pasca optimasi relatif kecil, terdapat penghematan ukuran kapasitor yang signifikan, dari total 23,3 Mvar menjadi 21,9 Mvar, dengan penghematan sebesar 1,4 Mvar.

7. Daftar Pustaka [Kembali]
  1. Arlenny, E. Z., & Zulfahri. (2019). Optimation of Capacitor Bank Placement in Electric Network Using Genetic Algorithm. Journal of Physics: Conference Series, URICSE.
  2. Prayogo, C. T., Zebua, O., & Hasan, K. (2019). Optimasi Kapasitas Bank Kapasitor untuk Mereduksi Rugi-Rugi Daya pada Penyulang Wortel Menggunakan Metode Grey Wolf Optimizer (GWO). Jurnal Rekayasa dan Teknologi Elektro, 13(3), September 2019.
  3. Saadat, H. (1999). Power System Analysis. Series in Electrical and Computer Engineering. Grainger McGraw-Hill.
  4. Yusmartato. (2017). Analisa Peningkatan Stabilitas Tegangan dengan Menggunakan Kapasitor. Buletin Utama Teknik, 13(1), September 2017.
  5. Abidin, Z. (2009). Optimalisasi Pengaturan Tegangan dengan Algoritma Genetika. Jurnal Teknika, 1(2).
  6. Zulfahri & Zondra, E. (2020). Optimasi Penempatan Peralatan SVC dengan Metode Algoritma Genetika. Jurnal Teknik, 14(1), 114–120.
  7. Zulfahri, Tanjung, A., & Monice. (2020). Studi Perbandingan Aliran Daya Optimal Mempertimbangkan Economic Dispatch Menggunakan Artificial Immune System Clonal (AIS)-CSA dengan Algoritma Genetika. Seminar Nasional Pakar ke-3 Tahun 2020.

8. Video [Kembali]
  • Video teori


  • Video presentasi blog


  • Video simulasi percobaan jurnal



9. Download File [Kembali]

Tidak ada komentar:

Posting Komentar

Langganan: Postingan (Atom)

Bahan Presentasi Untuk Matakuliah Sistem Digital 2023 OLEH: Fadhila Amanda 2110952031 Dosen Pengampu: Dr. Darwison,MT Referensi: a. Anil K. ...