BAB II. KAJIAN PUSTAKA DAN DASAR TEORI
2.5 Reduksi Model dengan Metode SPA
Reduksi model merupakan upaya untuk mengganti model atau sistem yang berukuran besar dengan model yang lebih sederhana tanpa kesalahan yang
12
signifikan. Reduksi model dapat dilakukan dengan beberapa metode salah satunya SPA. Reduksi model dilakukan dengan cara membentuk sistem setimbang terlebih dahulu.
2.5.1 Sistem Setimbang
Sistem setimbang (π΄Μ, π΅,Μ πΆ,Μ π·Μ) adalah sistem baru yang diperoleh dari sistem awal (π΄, π΅, πΆ, π·) dengan Gramian keterkendalian πΜ dan Gramian keteramatan πΜ yang sama dan merupakan matriks diagonal β. Sistem setimbang diperoleh dengan mentransformasikan sistem awal pada persamaan (2.1) terhadap matriks transformasi π yang memenuhi(Skogestad,S., Postlethwaite,I., 2001) :
π₯π = ππ₯Μπ (2.11)
dengan
π₯π : Variabel keadaan dari sistem (π΄, π΅, πΆ, π·)
π₯Μπ : Variabel keadaan dari sistem setimbang (π΄Μ, π΅,Μ πΆ,Μ π·Μ)
π : Matriks transformasi yang non singular dan berukuran π Γ π Selanjutnya, Persamaan (2.11) dapat dituliskan sebagai berikut :
π₯Μπ = πβ1π₯π (2.12)
Untuk π = π + 1, maka Persamaan (2.12) menjadi
π₯Μπ+1 = πβ1π₯π+1 (2.13)
Jika sistem awal pada Persamaan (2.1) disubstitusikan pada Persamaan (2.13) maka diperoleh hasil sebagai berikut :
π₯Μπ+1 = πβ1 (π΄π₯π+ π΅π’π) (2.14)
Selanjutnya, mensubstitusi Persamaan (2.11) ke dalam Persamaan (2.14), maka diperoleh hasil sebagai berikut :
π₯Μπ+1 = πβ1(π΄ππ₯π+ π΅π’π) = (πβ1π΄π)π₯Μπ+ (πβ1π΅)π’Μπ
= π΄Μπ₯Μπ+ π΅Μπ’Μπ (2.15)
Sedangkan untuk mendapatkan matriks πΆΜ dan π·Μ, dilakukan dengan mensubstitusikan Persamaan (2.11) ke dalam Persamaan (2.1), maka diperoleh hasil sebagai berikut :
π¦Μπ = (πΆπ)π₯Μπ+ π·π’Μπ
13
Sehingga diperoleh
π΄Μ = πβ1π΄π, π΅Μ = πβ1π΅, πΆΜ = πΆπ, dan π·Μ = π· Sistem setimbang dapat dituliskan dalam bentuk :
π₯Μπ+1= π΄Μπ₯Μπ+ π΅Μπ’Μπ
π¦Μπ = πΆΜπ₯Μπ+ π·Μπ’Μπ } (2.17)
Hubungan antara sistem setimbang dengan Gramian keterkendalian dan Gramian keteramatan sistem, dapat dilihat pada definisi berikut :
Definisi 2.6
Sistem (π΄Μ, π΅,Μ πΆ,Μ π·Μ) disebut sistem setimbang dari sistem (π΄, π΅, πΆ, π·) jika sistem
(π΄Μ, π΅,Μ πΆ,Μ π·Μ) mempunyai Gramian keterkendalian πΜ , dan Gramian keteramatan πΜ,
yang merupakan solusi tunggal dari persamaan Lyapunov
π΄ΜπΜ π΄Μπ+ π΅Μπ΅Μπβ πΜ = 0 (2.18) π΄ΜππΜπ΄Μ + πΆΜππΆΜ β πΜ = 0 (2.19)
Sedemikian sehingga memenuhi
πΜ = πΜ = β = diag(π1, π2, β¦ , ππ), π1 β₯ β― β₯ ππβ₯ β― β₯ ππ > 0.
dengan ππ merupakan nilai singular Hankel dari sistem (π΄, π΅, πΆ, π·) yang dapat
didefinisikan sebagai
ππ = |βππ(ππ)| , π = 1, β¦ , π, (2.20)
dengan ππ adalah nilai-nilai eigen dari ππ.
2.5.2 Metode Reduksi Model dengan Singular Perturbation Approximation (SPA)
Pada reduksi model dengan metode Singular Perturbation Approximation (SPA), semua variabel keadaan pada sistem setimbang (π΄Μ, π΅,Μ πΆ,Μ π·Μ) dapat dipartisi menjadi mode cepat dan lambat. Variabel keadaan yang bersesuaian dengan nilai singular Hankel kecil didefinisikan sebagai mode lambat, sedangkan variabel keadaan yang bersesuaian dengan nilai singular Hankel yang lebih besar didefinisikan sebagai mode cepat. Dikatakan mode cepat karena variabel keadaan yang berpengaruh besar pada sistem sehingga eror yang dihasilkan tidak dapat diabaikan, dapat diamati dan dikontrol dengan cepat. Sedangkan dikatakan mode lambat karena variabel keadaan yang berpengaruh kecil pada sistem sehingga eror yang dihasilkan dapat diabaikan, dapat diamati dan dikontrol dengan lambat.
14
Selanjutnya, model tereduksi diperoleh dengan mengambil kecepatan dari mode lambat sama dengan nol dimana kecepatan dari mode lambat ini tidak diabaikan. Hal ini yang menyebabkan metode reduksi disebut dengan Singular Perturbation
Approximation. Selanjutnya, pada sistem yang telah direduksi dengan metode Singular Perturbation Approximation (SPA), sifat kestabilan yang berlaku pada
sistem semula juga berlaku pada sistem yang telah direduksi. Adapun teorema kestabilan sistem tereduksi dengan metode SPA diberikan sebagai berikut (Green, M., Limebeer, D.J.N, 1995) :
Teorema 2.5
Jika sistem (π΄Μ, π΅,Μ πΆ,Μ π·Μ) merupakan sistem yang stabil asimtotis, maka sistem
tereduksi dengan metode Singular Perturbation Approximation (SPA)(π΄Μ, π΅,Μ πΆ,Μ π·Μ)
juga merupakan sistem yang stabil asimtotis.
Setelah diperoleh sistem setimbang (π΄Μ, π΅,Μ πΆ,Μ π·Μ) dengan Gramian keterkendalian πΜ dan Gramian keteramatan πΜ yang sama, dan merupakan matriks
diagonal β. Selanjutnya sistem (π΄Μ, π΅,Μ πΆ,Μ π·Μ) dipartisi sesuai dengan
β = ππππ(β , β )1 2 , dimana β = ππππ(π1 1, π2, β― . ππ) dan β = ππππ(π2 π+1, , ππ+2,β― . ππ). Dengan demikian, realisasi sistem (π΄Μ, π΅,Μ πΆ,Μ π·Μ)
dapat ditulis sebagai berikut : [π₯Μ1(π + 1) π₯Μ2(π + 1)] = [ π΄Μ11 π΄Μ12 π΄Μ21 π΄Μ22 ] [ π₯Μ1(π) π₯Μ2(π)] + [ π΅Μ1 π΅Μ2 ] π’(π) π¦Μ(π) = [πΆΜ1 πΆΜ2 ] [π₯Μ1(π) π₯Μ2(π)] + π·Μπ’(π) } (2.21)
dengan π₯Μ1(π) β βπ dan π΄Μ11β βππ₯π bersesuaian dengan gramian β1, dan π₯Μ2(π) β βπβπ bersesuaian dengan β2.
Langkah selanjutnya, mengambil π₯Μ2(π + 1) = 0 sehingga dari Persamaan (2.21) diperoleh
π₯Μ1(π + 1) = π΄Μ11π₯Μ1(π) + π΄Μ12π₯Μ2(π) + π΅Μ1π’(π) (2.22) 0 = π΄Μ21π₯Μ1(π) + π΄Μ22π₯Μ2(π) + π΅Μ2π’(π) (2.23) π¦Μ(π) = πΆΜ1π₯Μ1(π) + πΆΜ2 π₯Μ2(π) + π·Μπ’(π) (2.24)
Kemudian, dengan mengansumsikan π΄Μ22 adalah matriks nonsingular, dari Persamaan (2.23) diperoleh
15
π₯Μ2(π) = βπ΄Μ22 β1π΄Μ21π₯Μ1(π) β π΄Μ22 β1π΅Μ2π’(π) (2.25)
Selanjutnya, mensubsitusikan Persamaan (2.25) ke dalam Persamaan (2.22) dan Persamaan (2.24). Dengan demikian, diperoleh sistem tereduksi berorde π yang bersesuaian dengan gramian β1π ebagai berikut :
π₯Μ1(π + 1) = π΄Μ11π₯Μ1(π) + π΅Μ1 π’(π)
π¦Μ(π) = πΆΜ1 π₯Μ1(π) + π·Μπ’(π) } (2.26) Untuk π = 0,1,2, β―, dengan π₯Μ1(π) β βπ , π’(π) β βπ dan π¦Μ(π) β βπ‘ maka
π΄Μπ= π΄Μ11β π΄Μ12π΄Μ22 β1π΄Μ21 (2.27)
π΅Μπ = π΅Μ1β π΄Μ12π΄Μ22 β1π΅Μ2 (2.28)
πΆΜπ = πΆΜ1β πΆΜ2π΄Μ22 β1π΄Μ21 (2.29)
π·Μπ = π·Μ β πΆΜ2π΄Μ22 β1π΅Μ2 (2.30)
Dengan demikian diperoleh sistem tereduksi yang berukuran π yang dapat dinyatakan dalam bentuk :
π₯Μππ+1= π΄Μππ₯Μππ+ π΅Μππ’Μπ
π¦Μππ = πΆΜππ₯Μππ+ π·Μππ’Μπ} (2.31) Untuk selanjutnya sistem tereduksi ini disebut sebagai sistem (π΄Μπ, π΅Μπ, πΆΜπ, π·Μπ).
Dari reduksi orde model dengan metode Singular Perturbation
Approximation (SPA) pada sistem (π΄Μ, π΅,Μ πΆ,Μ π·Μ) yang stabil asimtotis, terkendali dan
teramati berorde π dihasilkan sistem tereduksi (π΄Μπ, π΅Μπ, πΆΜπ, π·Μπ) berorde π < π yang stabil asimtotis.
Teorema 2.6
Diberikan suatu sistem (π΄Μ, π΅,Μ πΆ,Μ π·Μ) yang bersifat stabil, terkendali, teramati dan
setimbang dengan Gramian πΜ = πΜ = ππππ(π1, π2, β¦ , ππ), π1 β₯ β― β₯ ππ β₯ β― β₯
ππ > 0, dengan ππβ₯ ππ+1 maka sistem tereduksi dengan order r juga akan stabil,
terkendali dan teramati, serta memenuhi βπΊπ β πΊπβββ€ 2(ππ+1 + β― + ππ),
dengan πΊπ dan πΊπ masing - masing adalah fungsi transfer sistem (π΄, π΅, πΆ, π·) dan
16
2.6 Filter Kalman
Filter Kalman merupakan salah satu metode untuk mengestimasi variabel
state dari sistem dinamik stokastik yang pertama kali diperkenalkan oleh Rudolf E.
Kalman pada tahun 1960. Estimasi dengan menggunakan metode ini dilakukan dengan cara memprediksi variabel state berdasarkan dinamika sistem dan data pengukuran (Lewis, 1992). Pada pemodelan sistem, tidak ada model matematika dari suatu sistem yang sempurna. Hal ini dapat disebabkan karena adanya faktor
noise yang mempengaruhi sistem. Oleh sebab itu, perlu ditambahkan faktor
stokastik pada sistem deterministik persamaan (2.1) yang berupa noise sistem dan
noise pengukuran, sehingga menjadi sistem dinamik stokastik sebagai berikut :
π₯π+1 = π΄ππ₯π+ π΅ππ’π+ πΊππ€π (2.33)
π§π = π»ππ₯π+ π£π (2.34)
Dengan π₯π merupakan variabel state pada waktu k, π’π adalah vektor masukan deterministik pada waktu k, π§π adalah vektor pengukuran, π€π dan π£π masing - masing adalah noise sistem dan noise pengukuran pada waktu k yang merupakan besaran stokastik. π΄π, π΅π, πΊπ, π»π adalah matriks - matriks dengan ukuran yang bersesuaian. Noise pada sistem dan pengukuran diasumsikan berdistribusi Normal - Gauss dengan mean nol dan variansinya masing - masing adalah matriks semi - definit positif ππ dan matriks definit positif π π.
Algoritma Filter Kalman terdiri dari 4 bagian. Bagian pertama dan kedua memberikan model sistem dan model pengukuran serta nilai awal (inisialisasi), sedangkan bagian ketiga dan keempat adalah tahap prediksi dan tahap koreksi. Pada tahap prediksi didefinisikan suatu estimasi keadaan π₯Μπ+1β β π π pada waktu π + 1 (priori state estimate), kemudian dihubungkan dengan kovariansi kesalahan ππ+1β (priori error covariance). Sedangkan pada tahap koreksi memberikan koreksi berdasarkan pengukuran π§π+1 pada waktu π + 1 untuk menghasilkan estimasi π₯Μπ+1 β π π dan kovariansi kesalahan ππ+1, masing - masing disebut posteriori state
estimate dan posteriori error covariance. Berikut ini akan diberikan tabel dari
17
Tabel 2.1 Algoritma Filter Kalman
Model Sistem dan Model Pengukuran
π₯π+1= π΄ππ₯π+ π΅πππ+ πΊππ€π π§π = π»ππ₯π+ π£π
π₯0~(π₯Μ Μ Μ , π0 π₯0), π€π = (0, ππ), π£π = (0, π π) Asumsi :
{π€π} dan {π£π} merupakan white noise , tidak berkorelasi dengan π₯0 dan nilai yang lainnya, π π > 0 Inisialisasi π₯0 Μ = π₯Μ Μ Μ , π0 0 = ππ₯0 Tahap Prediksi Kovariansi Error ππ+1β = π΄ππππ΄π+ πΊππππΊππ Estimasi π₯Μπ+1β = π΄ππ₯Μπ+ π΅πππ Tahap Koreksi Kalman Gain πΎπ+1 = ππ+1β π»π+1π(π»π+1ππ+1β π»π+1ππ π+1)β1 Kovariansi Error ππ+1= (πΌ β πΎπ+1π»π+1)ππ+1β Estimasi π₯Μπ+1= π₯Μπ+1β + πΎπ+1(π§π+1β π»π+1π₯Μπ+1β )