Ant Colony Optimization - TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA

2.6 Ant Colony Optimization

Ant Colony Optimization (ACO) adalah salah satu dari beberapa optimasi meta-heuristik untuk menemukan solusi berdasarkan masalah perkiraan optimasi diskrit. Metode ini pertama kali diterapkan pada Travelling Salesman Problem (TSP) oleh M. Dorigo dan L. M. Gambardella [10]. Algoritma ini kemudian berhasil dikembangkan pada masalah optimisasi lainnya seperti masalah rute kendaraan dan masalah penugasan kuadratik.

Algoritma koloni semut terinspirasi dari perilaku alami koloni semut tentang bagaimana mereka menemukan sumber makanan dan membawa mereka kembali ke sarang dengan membangun formasi jejak yang unik. Pada tahun 2004, E.

Carpaneto dan G. Chicco [11] memperkenalkan metode pencarian koloni semut

17 untuk menyelesaikan masalah konfigurasi ulang jaringan. Pada tahun yang sama, Ching Tzong Su et al. [12] memperkenalkan pada global mengenai pembaruan aturan algoritma pencarian koloni semut. Mereka menyimpulkan dari penelitian, yang dilakukan bahwa hasil simulasi dengan algoritma koloni semut mempunyai rata-rata solusi yang lebih baik.

Gambar 2.5. Ilustrasi perjalanan semut mencari makanan

Pada dunia nyata, semut berkeliling secara acak, dan ketika menemukan makanan mereka kembali ke koloninya sambil memberikan tanda dengan jejak feromon. Feromon (bahasa Yunani: phero yang artinya pembawa, dan mone bermakna sensasi) adalah sejenis zat kimia yang berfungsi untuk merangsang dan memiliki daya pikat seksual pada jantan maupun betina. Zat ini berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis, individu lain, kelompok, dan untuk membantu proses reproduksi. Berbeda dengan hormon, feromon menyebar ke luar tubuh dan hanya dapat memengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies).

Jika semut-semut lain menemukan jalur tersebut, mereka tidak akan bepergian dengan acak lagi, melainkan akan mengikuti jejak tersebut, kembali dan menguatkannya jika pada akhirnya merekapun menemukan makanan. Seiring

18 waktu, bagaimanapun juga jejak feromon akan menguap dan akan mengurangi kekuatan daya tariknya. Lebih lama seekor semut pulang pergi melalui jalur tersebut, lebih lama jugalah feromon menguap. Sebagai perbandingan, sebuah jalur yang pendek akan berbaris lebih cepat, dan dengan demikian kerapatan feromon akan tetap tinggi karena terletak pada jalur secepat penguapannya. Penguapan feromon juga mempunyai keuntungan untuk mencegah konvergensi pada penyelesaian optimal secara lokal. Jika tidak ada penguapan sama sekali, jalur yang dipilih semut pertama akan cenderung menarik secara berlebihan terhadap semut-semut yang mengikutinya. Pada kasus yang demikian, eksplorasi ruang penyelesaian akan terbatasi.

Oleh karena itu, ketika seekor semut menemukan jalur yang bagus (jalur yang pendek) dari koloni ke sumber makanan, semut lainnya akan mengikuti jalur tersebut, dan akhirnya semua semut akan mengikuti sebuah jalur tunggal. Ide algoritma koloni semut adalah untuk meniru perilaku ini melalui 'semut tiruan' berjalan seputar grafik yang menunjukkan masalah yang harus diselesaikan.

Algoritma optimisasi koloni semut telah digunakan untuk menghasilkan penyelesaian yang mendekati optimal pada masalah salesman yang melakukan perjalanan. Algoritma semut lebih menguntungkan daripada pendekatan penguatan tiruan (simulaten annealing) dan algoritma genetik saat grafik mungkin berubah secara dinamis; algoritma koloni semut dapat berjalan secara kontinyu dan menyesuaikan dengan perubahan secara waktu nyata (real time).

Langkah sederhana proses optimasi algoritma ACO dapat diuraikan sebagai berikut,

19 1. Tentukan jumlah semut N dan nilai diskret sebanyak p. Nilai variabel yang

dicari dinyatakan dalam

Xi = Xi1, Xi2, Xi3, …, Xip ; (i= 1,2,3,…, n) (2.7) Dimana n merupakan banyaknya variabel. Tentukan nilai feromon awal 𝜏_𝑖𝑗¹, set iterasi, iter=1.

2. a. Hitung probabilitas (Pij ) pemilihan ruas oleh semut 𝑃_𝑖𝑗 = ^𝜏^𝑖𝑗

b. Ruas tertentu akan dipilih oleh semut k berdasarkan bilangan random yang dibangkitkan dalam range (0,1). Pemilihan ruas ini ditentukan dengan menggunakan lingkaran lotere (roulette-wheel selection).

3. a. Bangkitkan N bilangan random , , , ..., dalam range (0,1) tiap semut.

Tentukan nilai diskret yang mewakili ruas untuk semut k untuk variabel i dengan menggunakan bilangan random dari tahap 2 dan area probabilitas kumulatif dalam lingkaran lotere.

b. Ulangi tahap 3(a) untuk tiap variabel i=1,2,3,...,n.

c. Evaluasi nilai fungsi tujuan dengan cara memasukkan nilai yang sudah dipilih untuk semua variabel i=1,2,3,...,n oleh semut k, k=1,2,3,...,N; fk = f(X(k)); k=1,2,3,...,N. Tentukan lintasan terbaik dan terburuk diantara N ruas atau lintasan yang sudah dipilih oleh semut-semut yang berbeda.

𝑓_{𝑏𝑒𝑠𝑡} = 𝑚𝑖𝑛𝑘=1,2,3,…,𝑁{𝑓𝑘} (2.9) 𝑓_{𝑤𝑜𝑟𝑠𝑡}= 𝑚𝑎𝑥𝑘=1,2,3,…,𝑁{𝑓𝑘} (2.10)

20 4. Uji konvergensi. Pada ACO konvergensi diartikan jika semua semut mengambil lintasan terbaik yang sama. Jika belum konvergensi, koloni semut akan kembali kesarang dan memulai pencarian makanan lagi. Set iterasi, iter

= iter + 1, dan melakukan update feromon untuk tiap ruas dengan persamaan:

𝜏_𝑖𝑗^{𝑘(𝑖𝑡𝑒𝑟)}= 𝜏_𝑖𝑗^{(𝑜𝑙𝑑)}+ ∆𝜏^𝑘 (2.11)

Dimana 𝜏_𝑖𝑗^{(𝑜𝑙𝑑)} menunjukkan jumlah feromon dari iterasi sebelumnya yang tertinggal setelah penguapan

𝜏_𝑖𝑗^{(𝑜𝑙𝑑)} = (1 − 𝜌)𝜏_𝑖𝑗^{(𝑖𝑡𝑒𝑟−1)} (2.12) Tahap 2 hingga 4 diulang sampai proses konvergen yaitu ketika semua semut memilih lintasan terbaik yang sama atau berhenti setelah jumlah iterasi maksimum tercapai.

21 Mulai

Semut pergi mencari sumber makanan dengan menyebar secara acak

Semut menemukan makanan dan meninggalkan feromon sebagai jejak untuk kembali ke sarang

Semut lainnya mengikuti jejak feromon dari sumber makanan untuk kembali kesarang

Semut cenderung mengikuti jejak yang lebih pekat(dalam hal ini rute terpendek)

Semut terus mencari sumber makanan dengan melewati rute terpendek

Apakah ada sumber makanan lain ?

Membandingakan jumlah setiap sumber makanan dengan fungsi

fitness

Selesai Tidak Ya

Gambar 2.6 Diagram Alir Algoritma Ant Colony Optimization (ACO) Algoritma Ant Colony Optimization akan digunakan dalam tugas akhir ini sebagai metode yang digunakan dalam melakukan rekonfigurasi jaringan untuk mengurangi rugi-rugi daya pada jaringan distribusi.

22 Tabel 2.2 Representasi Penggunaan Algoritma ACO

Algoritma Ant Colony Optimization Optimasi Rekonfigurasi Jaringan Jejak Pheromone Posisi tie Switch yang akan di pilih

sebagai jalur terbaik

Jumlah sumber makanan Jumlah bus beban yang akan direkonfigurasi

Fungsi Objektif Losses dan profil tegangan

Pada Tabel 2.2, dijelaskan bahwa jejak Pheromone direpresentasikan sebagai jalur swich mana yang akan dilalui atau dipilih agar mendapatkan jarak ideal. Jejak pheromone yang semakin tebal menandakan bahwa jalur tersebut memiliki nilai losses yang kecil atau jalur terdekat dengan beban. Sumber makanan direpresentasikan sebagai jumlah beban pada jaringan yang akan direkonfigurasi dan fungsi objektif direpresentasikan sebagai losses dan profil tegangan.

BAB III

METODE PENELITIAN

3.1 Tempat dan Waktu

Penelitian Skripsi ini dilakukan di Laboratorium Transmisi dan Distribusi Universitas Sumatera Utara . Penelitian ini dilaksanakan selama 3 (tiga) bulan.

3.2 Bahan dan Peralatan

Bahan berupa data yang diperlukan untuk melakukan penelitian ini berupa:

1. Single Line Diagran Sistem IEEE 30 bus yang terhubung dengan Distributed Generation (DG)

2. Data Pembangkitan Energi Listrik 3. Data Konduktor

4. Data Beban

Peralatan yang digunakan berupa perangkat lunak (software) untuk simulasi Sistem IEEE 30 bus yang terhubung dengan Distributed Generation (DG) dan perancangan program Ant Colony Optimization (ACO) adalah sebagai berikut:

1. Software ETAP 12.6.0.

2. Software MATLAB R2013a.

3.3 Pelaksanaan Penelitian

Penelitian dimulai dengan melakukan studi literatur yang berupa buku, skripsi, dan jurnal-jurnal ilmiah untuk mendalami konsep rekonfigurasi jaringan distribusi serta Algoritma Ant Colony Optimization. Dari studi literatur diperoleh

24 definisi , tujuan dan metode rekonfigurasi jaringan dan peneliti juga memperoleh konsep, algoritma, dan diagram alir dari Algoritma Ant Colony Optimization serta penerapan nya untuk menyelesaikan rekonfigurasi jaringan. Pada skripsi ini, peneliti akan melakukan rekonfigurasi jaringan pada sistem jaringan distribusi IEEE 30 Bus yang terhubung dengan Distributed Generation (DG). Rekonfigurasi jaringan pada sistem akan dilakukan sebagai berikut :

1. Kasus dimana seluruh Distributed Generation (DG) tidak terhubung ke sistem dengan kondisi beban seimbang.

2. Kasus dimana seluruh Distributed Generation (DG) terhubung ke sistem dengan kondisi beban seimbang.

Untuk melakukan rekonfigurasi pada sistem dengan skenario diatas diperlukan beberapa data yaitu single line diagram sistem jaringan distribusi IEEE 30 bus yang terhubung dengan Distributed Generation (DG) dengan keadaan sistem sesuai skenario yang disebutkan, data pembangkitan energi listrik, data konduktor dan data beban sesuai dengan masing – masing skenario. Dimana data – data secara rinci adalah sebagai berikut :

1. Single line diagram sistem jaringan distribusi IEEE 30 bus yang terhubung dengan Distributed Generation (DG)

Single line diagram dari sistem jaringan distribusi IEEE 30 bus yang terhubung dengan Distributed Generation (DG) merupakan salah satu data yang diperlukan untuk melakukan rekonfigurasi. Dimana pada single line diagram terlihat konfigurasi awal dari sistem. Dari single line diagram juga terlihat sistem jaringan distribusi IEEE 30 bus yang terhubung dengan Distributed Generation (DG) terdiri dari 30 bus, 29 Sectionalizing Switches,

25 4 tie switches dan 3 Distributed Generation (DG) yang beroperasi dengan tegangan nominal 33 kV. Untuk memudahkan pemrograman maka nomor switches yang terdapat pada sistem disamakan dengan nomor line dimana switch terletak pada sistem. Dan untuk mempercepat pengolahan data dan pemrograman, loop yang terbentuk oleh 4 tie switches yang terdapat pada sistem di kelompokkan masing – masing switch anggotanya. Kemudian kelompok loop yang terbentuk akan digunakan sebagai kemungkinan pilihan switches yang dapat dibuka ataupun ditutup untuk memperoleh solusi konfigurasi terbaik. Dimana pada masing – masing loop harus terdapat satu switch yang terbuka untuk menjaga sistem tetap radial. Untuk lebih jelas dapat dilihat pada Gambar 3.1.

26 Gambar 3.1 SLD IEEE 30 Bus dengan DG

2. Data Pembangkitan Energi Listrik

Data pembangkitan energi listrik oleh 3 Distributed Generation (DG) yang terdapat pada sistem jaringan distribusi IEEE 30 bus ditunjukkan pada Tabel 3.1 berikut.

Tabel 3.1 Data Distributed Generator (DG) Generator

ID No. Bus Daya Aktif (MW) Daya Reaktif (MVar)

DG 1 19 8,5 5,3

DG 2 23 8,5 5,3

DG 3 11 8,5 5,3

27 3. Data Konduktor

Data konduktor yang terdapat pada sistem jaringan distribusi IEEE 30 bus ditunjukkan pada Tabel 3.2 berikut.

Tabel 3.2 Data Konduktor

Line Dari Bus Ke Bus Resistasi (Ω) Reaktansi (Ω)

28 4. Data Beban

Data beban yang digunakan oleh peneliti ditunjukkan pada Tabel 3.3 berikut.

Tabel 3.3 Data Beban Load Bus Data

3.4 Prosedur Penelitian

Berdasarkan data yang diperoleh peneliti memodelkan jaringan distribusi IEEE 30 bus yang terhubung dengan Distributed Generation (DG) sesuai dengan skenario - skenario yang disebutkan diatas pada software ETAP 16.0.0 dan melakukan simulasi load flow pada masing – masing skenario jaringan tersebut untuk mendapatkan nilai rugi – rugi daya dan jatuh tegangan yang ada pada sistem untuk dijadikan nilai patokan awal untuk masing – masing skenario. Setelahnya Peneliti kemudian mendesain program Ant Colony Optimization (ACO) sesuai dengan algoritma dengan studi literatur yang akan digunakan di software MATLAB R2013a. Diagram alir dari penelitian dapat dilihat pada Gambar 3.2.

Mulai

Pengumpulan data

Pemodelan SLD IEEE 30 Bus di ETAP

Jalankan simulasi skenario konfigurasi awal

Mendesain program Ant Colony Optimization

Input Data dan Lakukan Konfigurasi

Diperoleh nilai rugi rugi dan profil tegangan pada dari

konfigurasi awal

Input data jaringan sesuai skenario

Jalankan program ACO

Diperoleh hasil dan melakukan pemodelan konfigurasi baru di

ETAP

Gambar 3.2 Diagram Alir Penelitian

3.5 Variabel yang Diamati dan Disimulasikan

Adapun variabel-variabel yang diamati dalam penelitian ini adalah sebagai berikut :

1. Nilai rugi – rugi daya dan nilai jatuh tegangan yang timbul pada sistem dengan keadaan beban seimbang dan Distributed Generation (DG) tidak terhubung sebelum rekonfigurasi.

30 2. Nilai rugi – rugi daya dan nilai jatuh tegangan yang timbul pada sistem dengan keadaan beban simbang dan Distributed Generation (DG) terhubung sebelum rekonfigurasi.

3. Nilai rugi – rugi daya yang terjadi pada sistem dengan keadaan beban seimbang dan Distributed Generation (DG) tidak terhubung setelah rekonfigurasi.

4. Perubahan nilai rugi – rugi daya yang terjadi pada sistem dengan keadaan beban seimbang dan Distributed Generation (DG) terhubung setelah rekonfigurasi.

Sedangkan variabel yang disimulasikan yaitu : 1. Load Flow

2. Ant Colony Optimization

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Umum

Pemodelan sistem IEEE 30 Bus dilakukan dengan cara membuat single line diagram pada software ETAP 12.6.0 dengan memperhatikan data-data peralatan listrik yang meliputi transformator, konduktor, bus, CB dan beban. Pemodelan single line diagram tersebut bertujuan untuk melihat kondisi aliran daya dan profil tegangan pada sistem IEEE 30 Bus. Setelah melakukan pemodelan sistem, akan dilakukan skenario kasus pada sistem IEEE 30 Bus dengan terhubung Distributed Generation seperti pada Tabel 4.1.

Tabel 4.1 Skenario Kasus Rekonfigurasi Jaringan

Kasus Distributed Generation (DG) Rekonfigurasi Skenario

1 Tidak Terhubung

Sebelum 1-1

Sesudah 1-2

2 Terhubung

Sebelum 2-1

Sesudah 2-2

4.2 Hasil Simulasi

Berikut pembahasan hasil simulasi dari skenario seperti pada Tabel 4.1 4.2.1 Skenario 1-1 – Sistem Tidak Terhubung Distributed Generation (DG)

Sebelum Rekonfigurasi

Skenario 1-1 merupakan keadaan sistem tidak terhubung dengan Distributed Generation (DG) seperti ditunjukkan pada Gambar 4.1 berikut.

32 Gambar 4.1 Skenario 1-1 Sistem tidak terhubung DG sebelum Rekonfigurasi

Hasil studi aliran daya yang diperoleh berupa daya aktif dan reaktif yang disuplai ke sistem ditunjukkan oleh Tabel 4.2.

Tabel 4.2 Daya Aktif dan Reaktif yang Disuplai Ke Sistem pada Skenario 1-1 Deskripsi Daya Aktif (MW) Daya Reaktif (MVar)

Total Daya yang Disuplai 202,868 103,108

Total Daya Beban 172,113 67,852

Rugi – Rugi Daya 30,755 35,256

Selain daya aktif dan daya reaktif, hasil aliran daya berupa profil tegangan pada setiap bus ditunjukkan pada Tabel 4.3.

33 Tabel 4.3 Profil Tegangan pada setiap Bus Skenario 1-1

No. Bus Profil Tegangan (%)

34 ditunjukkan pada Tabel 4.4 berikut

Tabel 4.4 Rugi-rugi Daya Pada Saluran pada Skenario 1-1

Line Rugi-rugi Daya Saluran

kW kVar

Maka diperoleh rangkuman hasil studi aliran daya untuk skenario 1-1 seperti Tabel 4.5 berikut.

Tabel 4.5 Rangkuman Studi Aliran Daya Skenario 1-1

Skenario Switch yang Terbuka

Daya yang Disuplai Profil Tegangan

Berdasarkan Tabel 4.5, dapat dilihat bahwa pada skenario 1-1, sistem disuplai daya sebesar 202,868 MW dan 103,108 MVar, dengan profil tegangan paling rendah pada sistem terdapat pada bus 8 sebesar 55,22% dan rugi – rugi daya pada sistem sebesar 30.754 kW dan 35.256,6 kVar.

36 4.2.2 Skenario 1-2 – Sistem Tidak Terhubung Distributed Generation (DG)

Sesudah Rekonfigurasi

Rekonfigurasi pada sistem dengan keadaan beban seimbang dan Distributed Generation (DG) tidak terhubung menggunakan bantuan Algoritma Ant Colony Optimization dengan Maximum Iteration yang ditetapkan pada program adalah sebanyak 20 iterasi. Hasil iterasi tersebut dapat dilihat pada Gambar 4.2 berupa switch mana saja yang akan dibuka agar terbentuk konfigurasi sistem jaringan distribusi baru dimana nilai rugi – rugi dayanya paling rendah.

Gambar 4.2 Output Open Switch untuk Skenario 1-2

Gambar 4.3 dan Gambar 4.4 merupakan output grafik yang menunjukkan perubahan Objective Value dan Fitness Value yang terjadi selama iterasi. Kedua grafik tersebut menunjukkan bahwa program sudah bekerja sesuai dengan kemampuan karakteristik Ant Colony Optimization (ACO) dimana dengan menggunakan Fitness Value sebagai acuan dalam menetukan solusi paling optimal.

37 Gambar 4.3 Output Objective Value Graph Skenario 1-2

Gambar 4.4 Output Fitness Value Graph Skenario 1-2

Skenario 1-2 merupakan keadaan Distributed Genereation (DG) tidak terhubung ke sistem sesudah dilakukan rekonfigurasi. Untuk lebih jelas dapat dilihat pada Gambar 4.5 berikut.

38 Gambar 4.5 Skenario 1-2 Sistem tidak terhubung DG sesudah Rekonfigurasi

Hasil studi aliran daya yang diperoleh berupa daya aktif dan reaktif yang disuplai ke sistem ditunjukkan oleh Tabel 4.6.

Tabel 4.6 Daya Aktif dan Reaktif yang Disuplai ke Sistem pada Skenario 1-2 Deskripsi Daya Aktif (MW) Daya Reaktif (MVar)

Total Daya yang Disuplai 200,713 90,939

Total Daya Beban 172,113 67,852

Rugi – Rugi Daya 28,6 23,087

39 Selain daya aktif dan daya reaktif, hasil aliran daya berupa profil tegangan pada setiap bus ditunjukkan pada Tabel 4.7.

Tabel 4.7 Profil Tegangan pada setiap Bus Skenario 1-2 No. Bus Profil Tegangan (%)

40 ditunjukkan pada Tabel 4.8 berikut

Tabel 4.8 Rugi-rugi Daya Pada Saluran Skenario 1-2 Line Rugi-rugi Daya Saluran

kW kVar

Maka diperoleh rangkuman hasil studi aliran daya untuk skenario 1-2 seperti Tabel 4.9 berikut.

Tabel 4.9 Rangkuman Studi Aliran Daya Skenario 1-2

Skenario

Switch yang Terbuka

Daya yang Disuplai Profil Tegangan

Berdasarkan Tabel 4.9, dapat dilihat bahwa pada skenario 1-2, sistem disuplai daya sebesar 200,713 MW dan 90,939 MVar, dengan profil tegangan paling rendah pada sistem terdapat pada bus 21 sebesar 81,93% dan rugi – rugi daya pada sistem sebesar 28.600,8 kW dan 23.086,7 kVar.

4.2.3 Skenario 2-1 – Sistem Terhubung Distributed Generation (DG) Sebelum Rekonfigurasi

Skenario 2-1 merupakan keadaan sistem tidak terhubung dengan Distributed Generation (DG) seperti ditunjukkan pada Gambar 4.6 berikut.

42 Gambar 4.6 Skenario 2-1 Sistem terhubung DG sebelum Rekonfigurasi

Hasil studi aliran daya yang diperoleh berupa daya aktif dan reaktif yang disuplai ke sistem ditunjukkan oleh Tabel 4.10.

Tabel 4.10 Daya Aktif dan Reaktif yang Disuplai Ke Sistem Skenario 2-1 Deskripsi Daya Aktif (MW) Daya Reaktif (MVar)

Total Daya yang Disuplai 187,789 78,838

Total Daya disuplai Grid 162,289 57,163

Total Daya disuplai DG 25,5 21,675

Total Daya Beban 172,113 67,852

Rugi – Rugi Daya 15,676 10,986

43 Selain daya aktif dan daya reaktif, hasil aliran daya berupa profil tegangan pada setiap bus ditunjukkan pada Tabel 4.11.

Tabel 4.11 Profil Tegangan pada setiap Bus Skenario 2-1 No. Bus Profil Tegangan (%)

44 ditunjukkan pada Tabel 4.12 berikut.

Tabel 4.12 Rugi-rugi Daya Pada Saluran Skenario 2-1 Line Rugi-rugi Daya Saluran

kW kVar

Maka diperoleh rangkuman hasil studi aliran daya untuk skenario 2-1 seperti Tabel 4.13 berikut.

Tabel 4.13 Rangkuman Studi Aliran Daya Skenario 2-1

Skenario Switch yang Terbuka

Daya yang Disuplai Profil Tegangan paling rendah pada sistem terdapat pada bus 8 sebesar 86,98% dengan rugi – rugi daya pada sistem sebesar 15.675,9 kW dan 10.985,8 kVar.

4.2.4 Skenario 2-2 – Sistem Terhubung Distributed Generation (DG) Sesudah Rekonfigurasi

Rekonfigurasi pada sistem dengan keadaan beban seimbang dan terhubung Distributed Generation (DG) menggunakan bantuan Algoritma Ant Colony Optimization dengan Maximum Iteration yang ditetapkan pada program adalah sebanyak 20 iterasi. Hasil iterasi tersebut dapat dilihat pada Gambar 4.7 berupa

46 switch mana saja yang akan dibuka agar terbentuk konfigurasi sistem jaringan distribusi baru dimana nilai rugi – rugi dayanya paling rendah.

Gambar 4. 7 Output Open Switch untuk Skenario 2-2

Gambar 4.8 dan Gambar 4.9 merupakan output grafik yang menunjukkan perubahan Objective Value dan Fitness Value yang terjadi selama iterasi. Kedua grafik tersebut menunjukkan bahwa program sudah bekerja sesuai dengan kemampuan karakteristik Ant Colony Optimization (ACO) dimana dengan menggunakan Fitness Value sebagai acuan dalam menetukan solusi paling optimal.

Gambar 4. 8 Output Objective Value Graph Skenario 2-2

47 Gambar 4. 9 Output Fitness Value Graph Skenario 2-2

Skenario 2-2 merupakan keadaan Distributed Genereation (DG) terhubung ke sistem sesudah dilakukan rekonfigurasi. Untuk lebih jelas dapat dilihat pada Gambar 4.10 berikut.

48 Gambar 4.10 Skenario 2-2 Sistem terhubung DG sesudah Rekonfigurasi

Hasil studi aliran daya yang diperoleh berupa daya aktif dan reaktif yang disuplai ke sistem ditunjukkan oleh Tabel 4.14.

49 Tabel 4.14 Daya Aktif dan Reaktif yang Disuplai ke Sistem pada Skenario 2-2

Deskripsi Daya Aktif (MW) Daya Reaktif (MVar)

Total Daya yang Disuplai 186,092 76,331

Total Daya disuplai Grid 160,592 54,656

Total Daya disuplai DG 25,5 21,675

Total Daya Beban 172,113 67,852

Rugi – Rugi Daya 13,979 8,479

Selain daya aktif dan daya reaktif, hasil aliran daya berupa profil tegangan pada setiap bus ditunjukkan pada Tabel 4.15.

Tabel 4.15 Profil Tegangan pada setiap Bus Skenario 2-2 No. Bus Profil Tegangan (%)

1 100

2 91,62

3 97,73

4 97,7

5 91,2

6 91,18

7 91,19

8 91,06

9 95,11

10 96,51

11 100

12 96,43

13 96,43

14 97,28

50 ditunjukkan pada Tabel 4.16 berikut

Tabel 4.16 Rugi-rugi Daya Pada Saluran Skenario 2-2 Line Rugi-rugi Daya Saluran

kW kVar

Maka diperoleh rangkuman hasil studi aliran daya untuk skenario 2-2 seperti Tabel 4.17 berikut.

Tabel 4.17 Rangkuman Studi Aliran Daya Skenario 2-2

Skenario

Switch yang Terbuka

Daya yang Disuplai Profil Tegangan

52 Berdasarkan Tabel 4.17, dapat dilihat bahwa pada skenario 2-2, sistem disuplai daya sebesar 186,092 MW dan 76,331 MVar, dengan profil tegangan paling rendah pada sistem terdapat pada bus 8 sebesar 91,06% dan rugi – rugi daya pada sistem sebesar 13.979,1 kW dan 8.478,8 kVar.

4.3 Hasil Perbandingan

4.3.1 Perbandingan Hasil Studi Aliran Daya Sistem dengan Keadaan Beban Seimbang dan Tidak Terhubung Distributed Generation (DG) Sebelum dan Sesudah Rekonfigurasi

Perbandingan hasil studi aliran daya sistem dengan keadaan beban seimbang dan tidak terhubung Distributed Generation (DG) pada Skenario 1-1 dan Skenario 1-2 secara berurutan dapat dilihat pada Tabel 4.18 berikut.

Tabel 4.18 Perbandingan Hasil Studi Aliran Daya antara Skenario 1-1 dan 1-2

Skenario Switch yang Terbuka

Daya yang Disuplai Profil Tegangan untuk mengurangi nilai rugi – rugi daya sistem yang sebelum rekonfigurasi adalah sebesar 30.754 kW telah berkurang menjadi 28.600,8 kW sesudah dilakukan rekonfigurasi jaringan. Hal ini juga sejalan dengan persen nilai tegangan pada bus dimana sebelum rekonfigurasi persen profil tegangan terendah terdapat pada bus 8

53 sebesar 55,22 % sedangkan sesudah direkonfigurasi profil tegangan terendah terdapat pada bus 21 dengan nilai sebesar 81,93 %.

Rekonfigurasi jaringan ditujukan untuk menurunkan nilai rugi – rugi daya dan memperbaiki profil tegangan sehingga menyebabkan perubahan aliran daya pada sistem. Dimana pada keadaan sebelum rekonfigurasi, bus 8 merupakan bus dengan nilai profil tegangan paling rendah dikarenakan bus ini memiliki nilai total impedansi saluran paling besar yang harus dilalui dari sumber menuju bus tersebut dibanding dengan bus - bus lain pada sistem sebelum rekonfigurasi. Nilai total impedansi dari sumber menuju bus 8 yaitu 0,939 Ω. Sedangkan untuk keadaan sesudah rekonfigurasi, bus 21 merupakan bus dengan nilai profil tegangan terendah.

Hal ini juga dikarenakan bus ini memiliki nilai total impedansi saluran paling besar yang harus dilalui dari sumber menuju bus tersebut dibanding dengan bus - bus lain pada sistem yang sudah direkonfigurasi. Nilai total impedansi saluran yang dilalui dari sumber menuju bus 21 yaitu 0,2118 Ω. Seperti yang diketahui bahwa salah satu faktor yang mempengaruhi nilai rugi – rugi daya dan profil tegangan pada sistem adalah impedansi saluran pada sistem. Hal itu dapat dilihat dari Persamaan 4.1.

𝑃𝑙𝑜𝑠𝑠 = 𝐼². 𝑅 (4.1)

Sehingga nilai profil tegangan pada sistem sesudah rekonfigurasi menjadi lebih baik dikarenakan nilai total impedansi saluran paling besar yang ada pada sistem sebelum dan sesudah rekonfigurasi berkurang sebesar 0,7172 Ω dari 0,939 Ω menjadi 0,2118 Ω. Membaiknya profil tegangan juga berdampak terhadap nilai rugi – rugi daya pada sistem. Perbandingan profil tegangan sebelum dan sesudah rekonfigurasi dapat dilihat pada Tabel 4.19.

54 Tabel 4.19 Perbandingan Profil Tegangan Bus antara Skenario 1-1 dan 1-2

Dalam dokumen SKRIPSI REKONFIGURASI JARINGAN DISTRIBUSI YANG TERHUBUNG DISTRIBUTED GENERATION UNTUK MENGURANGI RUGI-RUGI DAYA LISTRIK DENGAN (Halaman 30-0)