Optimisasi Konfigurasi Jaringan Distribusi dengan Integrasi
Pembangkit Tersebar Energi Terbarukan
Berbasis Algoritma Cerdas Clonal Selection Immune System
Ramadoni Syahputra
Jurusan Teknik Elektro, Fakultas Teknik Universitas Muhammadiyah Yogyakarta
email: ramadoni@umy.ac.id
Abstract
This paper proposes a methodology of electrical power loss reduction of distribution network with integration of distributed generator (DG). The methodology is based on a clonal selection immune system method in order to improve the distribution network efficiency. Optimization with multi-objective function is focused for power loss reduction, voltage deviation minimization, and maintaining the load balancing of all feeders. Originality of this work is the use of clonal selection immune system method in optimal reconfiguration of distribution network including DG. The application of clonal selection immune system method for reconfiguration of IEEE 33-bus model of distribution network with integration of DG is described. The results have shown that power loss of 33-bus radial distribution network experienced a significant reduction while voltage profile of each bus has also improved. The efficiency improvement of 3.7% is achieved for the IEEE 33-bus distribution network with integration of DG.
Keywords: Jaringan distribusi; AIS-CS; rekonfigurasi jaringan; rugi daya aktif; profil tegangan.
1. PENDAHULUAN
Usaha meningkatkan efisiensi sistem distribusi daya listrik dengan meminimalkan rugi-rugi (losses) energi telah menjadi persoalan penting dalam dekade terakhir. Dari seluruh komponen sistem tenaga listrik, sistem distribusi merupakan komponen yang
mempunyai rugi-rugi terbesar. Sebagai
contoh adalah sistem tenaga listrik di Indonesia yang dikelola oleh PT PLN (Persero). Berdasarkan audit energi hingga 2004, angka rugi-rugi energi total PLN se-Indonesia adalah 16,84% (Ibrahim, 2004). Dari total tersebut, rugi-rugi sistem distribusi tercatat memiliki rugi-rugi terbesar yaitu 14,47%, sedangkan rugi-rugi sistem transmisi hanya 2,37%.
Ada beberapa cara untuk meminimalkan rugi-rugi sistem distribusi daya listrik dalam rangka meningkatkan efisiensi sistem di antaranya rekonfigurasi jaringan, pemasangan
kapasitor, penyeimbangan beban, dan
meningkatkan aras tegangan listrik
menggunakan regulator (Wu dan Tsai, 2008). Cara pemasangan kapasitor pada jaringan dan penyeimbangan beban biasanya mengalami
kesulitan karena beban sistem distribusi yang sangat dinamis. Dengan demikian nilai kapasitansi kapasitor harus selalu berubah dari waktu ke waktu, dan beban harus selalu
diseimbangkan. Sedangkan cara
meminimalkan rugi-rugi dengan
meningkatkan aras tegangan listrik
memerlukan biaya yang besar karena seluruh peralatan yang terhubung dengan sistem ini harus mampu bekerja pada tegangan yang baru, sementara hasilnya belum tentu memuaskan. Oleh karenanya, dalam rencana penelitian ini hanya difokuskan pada cara rekonfigurasi jaringan distribusi yang optimal guna meminimalkan rugi-rugi daya dalam
rangka meningkatkan efisiensi sistem
distribusi daya listrik. Selain untuk
menurunkan rugi-rugi daya listrik,
rekonfigurasi jaringan distribusi juga
bermanfaat untuk menyeimbangkan beban
masing-masing penyulang (feeder),
memperbaiki tegangan sistem, dan
Guna mendapatkan rekonfigurasi jaringan yang optimal, dalam penelitian ini digunakan
algoritma cerdas berbasis logika fuzzy dan
Particle Swarm Optimization (PSO) termodifikasi.
Tujuan penelitian ini adalah:
1) Melakukan kajian aliran daya dan
tegangan beban pada sistem distribusi daya listrik, dengan studi kasus pada sistem distribusi standar IEEE 14 bus, 33 bus, 69 bus, 70 bus, dan 86 bus.
2) Melakukan rekonfigurasi jaringan
distribusi yang optimal menggunakan
algoritma cerdas berbasis logika fuzzy dan
particle swarm optimization (PSO) termodifikasi untuk meminimalkan
rugi-rugi (losses) daya listrik, deviasi tegangan
beban, operasi tie switch, indeks arus
cabang, dan menjaga keseimbangan beban jaringan distribusi, sehingga efisiensi
sistem distribusi daya listrik akan
meningkat.
3) Menguji unjukkerja metode yang
diusulkan dengan cara membandingkan hasil rekonfigurasi jaringan yang diperoleh dengan hasil metode-metode lain misalnya
algoritma genetik, simulated annealing,
dan metode konvensional.
4) Berdasarkan hasil penelitian, akan
memberikan rekomendasi kepada
perusahaan pengelola jaringan distribusi daya listrik (PLN) berupa penerapan
metode yang diusulkan guna
meminimalkan rugi-rugi (losses) daya
listrik, deviasi tegangan beban, operasi tie
switch, indeks arus cabang, dan menjaga keseimbangan beban jaringan distribusi.
Sedangkan manfaat penelitian ini adalah:
1) Bagi dunia ilmu pengetahuan,
memperkaya wawasan mengenai metode peningkatan efisiensi sistem distribusi terutama dalam rekonfigurasi jaringan distribusi daya listrik.
2) Bagi perusahaan pengelolan jaringan
distribusi daya listrik (PLN), efisiensi
sistem distribusi meningkat maka
berdampak pada meningkatnya kapasitas daya listrik yang dapat dijual kepada
masyarakat, sehingga menyelamatkan
energi listrik yang selama ini hilang karena
rugi-rugi (losses) distribusi.
3) Bagi bangsa dan negara, peningkatan
efisiensi sistem distribusi sangat
membantu mengatasi kekurangan pasokan daya listrik. Selain itu memberikan rasa optimisme bagi seluruh komponen bangsa
bahwa persoalan rugi-rugi (losses) energi
listrik dapat diatasi oleh bangsanya sendiri.
2. KAJIAN LITERATUR
Usaha meminimalkan rugi-rugi sistem
distribusi dalam rangka meningkatkan
efisiensi sistem telah menjadi persoalan penting dalam dekade terakhir, hal ini
disebabkan semakin mahalnya biaya
pembangkitan energi listrik. Ada beberapa cara untuk meminimalkan rugi-rugi daya pada sistem distribusi di antaranya rekonfigurasi
jaringan, pemasangan kapasitor daya,
penyeimbangan beban, dan menaikkan aras (level) tegangan (Abdelaziz dkk, 2009). Dalam sistem distribusi primer terdapat dua
jenis switch yang dirancang untuk tujuan
proteksi dan manajemen konfigurasi (Rao dan
Sivanagaraju, 2010). Kedua jenis switch
tersebut adalah switch yang dalam keadaan
normal tertutup (sectionalizing switches) dan
switch yang dalam keadaan normal terbuka (tie switches). Rekonfigurasi jaringan merupakan proses perubahan topologi sistem distribusi dengan mengubah-ubah status
switch dari keadaan terbuka menjadi tertutup atau sebaliknya (Bernardona, 2009). Metode
rekonfigurasi jaringan distribusi dapat
diklasifikasikan sebagai berikut: metode berbasis heuristik, metode berbasis paduan heuristik dan optimisasi, dan metode berbasis kecerdasan buatan (Abdelaziz dkk, 2009). Sarfi dkk (1996) menggunakan algoritma
berbasis teori penyekatan (partitioning
theory) dalam rekonfigurasi jaringan distribusi. Walaupun minimisasi rugi-rugi relatif berhasil, metode ini hanya cocok untuk sistem distribusi kecil.
Dalam dua dekade terakhir, penggunaan
metode meta-heuristik telah menarik
perhatian para peneliti dalam rangka
optimisasi rekonfigurasi jaringan distribusi guna mendapatkan solusi minimum global (Abdelaziz dkk, 2009). Metode-metode yang termasuk dalam meta-heuristik di antaranya
genetic algorithm (GA), simulated annealing
(SA), dan tabu search (TS). Metode berbasis
dengan prosesor paralel untuk menunkan beban komputasiSelanjutnya Chung dkk
(2004) menggunakan algoritma tabu search
untuk menyelesaikan masalah rekonfigurasi jaringan dalam sistem distribusi dalam rangka mengurangi rugi-rugi resistif saluran. Dalam metode ini dilakukan pengecekan keradialan sistem distribusi berbasis simpul jaringan yang dikembangkan guna menyelesaikan masalah yang berkaitan dengan perencanaan pemulihan sistem. Jeon dan Kim (2004)
memadukan metode simulated annealing dan
metode tabu search untuk merekonfigurasi
penyulang distribusi guna memperbaiki waktu komputasi dan sifat konvergensi dalam
optimisasi. Mekhamer dkk (2008)
mengusulkan metode berbasis tabu search
termodifikasi untuk rekonfigurasi sistem distribusi. Selanjutnya Su dkk (2005)
memperkenalkan penggunaan algoritma
pencarian ant colony untuk menyelesaikan
masalah rekonfigurasi jaringan yang optimal guna menurunkan rugi-rugi daya distribusi. Metode ini tergolong baru dan metode evolusi yang sangat cerdas dalam menyelesaikan
masalah optimisasi. Pendekatan dalam
metode ini berbasis populasi yang
menggunakan penjelajahan umpan-balik
positif. Dengan menerapkan metode ini, solusi optimal untuk rekonfigurasi jaringan distribusi dapat dicapai dengan lebih efektif.
Dibandingkan dengan metode genetic
algorithm dan simulated annealing, secara
numerik metode ant colony memberikan hasil
yang lebih baik terutama dalam menghasilkan rugi-rugi daya rerata jaringan distribusi. Dalam perkembangan terakhir, permasalahan optimisasi dalam sistem distribusi sangat
diuntungkan dengan hadirnya teknik
optimisasi yang baru yaitu particle swarm
optimization (Alrashidi dan El-Hawary, 2006;
Velle dkk, 2008). Particle swarm
optimization (PSO) merupakan metode untuk optimisasi fungsi numerik yang kompleks berdasarkan pada peniruan perilaku sosial sekawanan lebah dan bagaimana mereka dapat mencapai daerah yang paling banyak
tersedia bunga tumbuh-tumbuhan.
Sivanagaraju dkk (2008) menggunakan
algoritma particle swarm optimization diskret
untuk menyelesaikan masalah rekonfigurasi
jaringan distribusi. Penggunaan logika fuzzy
dalam usaha meminimalkan rugi-rugi jaringan distribusi telah dilakukan oleh Hsiao (2004),
dengan fungsi multi-objektif fuzzy berbasis
metode pemrograman evolusi untuk
rekonfigurasi jaringan. Dalam metode
tersebut, fungsi objektif diformulasikan menggunakan prinsip min-max dalam logika
fuzzy.
Berdasarkan perkembangan
metode-metode dalam rangka optimisasi rekonfigurasi jaringan distribusi, maka dalam penelitian ini
dipilih aplikasi logika fuzzy, dengan
optimisasi fungsi keanggotaan fuzzy
menggunakan
AIS-CS
. Fungsi multiobjektifterdiri dari: minimisasi rugi-rugi daya sistem distribusi, minimisasi deviasi tegangan simpul jaringan distribusi, penyeimbangan beban tiap-tiap penyulang distribusi, minimisasi
operasi tie switch, dan minimisasi indeks arus
cabang.
3. METODE PENELITIAN
3.1 Alat dan Bahan
Penelitian yang akan dilaksanakan adalah peningkatan efisiensi sistem distribusi daya
listrik berbasis algoritma cerdas
AIS-CS
termodifikasi. Alat yang digunakan dalam penelitian ini terdiri dari perangkat-keras dan perangkat-lunak, di antaranya:
1) Perangkat-keras (hardware)
Perangkat-keras yang digunakan adalah satu unit notebook Toshiba Satellite M200 dengan spesifikasi memori 1 GB dan processor Intel Centrino Core2 Duo 1.8 GHz.
2) Perangkat-lunak (software)
a. Metode hibrid
AIS-CS
.b. Matlab-Simulink untuk
mengimplementasikan rancangan
sistem distribusi sesuai standar IEEE dan optimisasi multiobjektif
dalam rekonfigurasi jaringan
distribusi menggunakan algoritma
cerdas berbasis logika fuzzy dan
PSO termodifikasi guna
meningkatkan efisiensi sistem
distribusi.
Langkah-langkah penelitian ini dirangkum dalam suatu diagram alir seperti terlihat pada Gambar 1.
Gambar 1. Diagram alir langkah-langkah penelitian tahun ketiga.
Algoritma untuk rekonfigurasi jaringan distribusi dalam rangka usaha peningkatan efisiensi sistem distribusi menggunakan metode fuzzy multiobjektif ditunjukkan pada Gambar 2 berikut ini.
Gambar 2. Algoritma untuk rekonfigurasi jaringan distribusi.
4. HASIL DAN PEMBAHASAN
Dalam penelitian ini, telah diuji sistem distribusi radial 20-kV yang memiliki satu gardu dan 33 bus (termasuk sectionalizing
switch dan tie switch) seperti yang
ditunjukkan pada Gambar 3. Tie switch sistem ini terbuka dalam kondisi normal. Total beban untuk sistem distribusi 3.715 kW dan 2.300 kVAr. Gambar 3 menunjukkan konfigurasi awal dari jaringan distribusi radial tanpa generator terdistribusi (DG). Optimasi
konfigurasi jaringan distribusi dengan
integrasi DG menggunakan algoritma fuzzy-Studi Pustaka
Mulai
Validasi rancangan sistem distribusi
Merancang metode AIS-CS
Merancang sistem distribusi daya
listrik dalam Matlab-Simulink
Menguji metode AIS-CS
Analisis
hasil optimisasi
Analisis dan Kesimpulan
Selesai
Optimisasi fungsi keanggotaan
Menerapkan metode AIS-CS untuk
rekonfigurasi jaringan
Membandingkan optimisasi AIS-CS
Mulai
Baca data sistem
Jalankan program load-flow
Hitung ∆���� � for i = 1,2,…, n-tie
����,���>�?
Identifikasi ∆����,���= ∆���� �
Hasil Output
Pilih tie switch “k” dan Nk
Ya
Tidak
Untuk i = 1 to Nk, hitung µLi, µVi,
µAi, dan µBi,
Dk,i = min{µLi,µVi,µAi,µBi};
OSk = max{Dk,i} Hasil
Output
particle swarm optimization (PSO) diimplementasikan dalam perangkat lunak Matlab.
Sebelum rekonfigurasi jaringan distribusi 33-bus, total kerugian daya aktif dari sistem adalah 202,74 kW. Tegangan minimum besarnya adalah 0,917 p.u. yang terjadi pada bus 17. Dalam studi ini, diasumsikan dipasang instal delapan DG pada bus-bus 5, 7, 10, 12, 18, 22, 27 dan 33, seperti yang ditunjukkan pada Tabel 1.
Dari hasil simulasi studi kasus uji 33-bus, dapat dilihat dari sistem distribusi yang DG
memiliki efek perbaikan pengurangan
kerugian daya dalam kasus ini. Total kerugian daya aktif dari sistem ini dengan integrasi DG adalah 79,27 kW, atau, dengan kata lain bahwa persentase pengurangan hilangnya daya jaringan distribusi 60,90%, seperti yang ditunjukkan pada Tabel 2. Dalam hal ini, tegangan paling minimum terjadi pada bus 18 yaitu 0,976 pu.
Gambar 3. Sistem distribusi standar IEEE 33-bus.
Setelah rekonfigurasi jaringan distribusi, total kerugian daya aktif adalah 56,07 kW, atau dengan kata lain, persentase penurunan daya yang hilang dari jaringan distribusi adalah 72,34%, seperti yang ditunjukkan pada Tabel 2. Berdasarkan data ini juga diperoleh bahwa terjadi peningkatan efisiensi sebesar 3,7%. Tegangan minimum besarnya adalah 0,981 p.u. yang terjadi pada bus 29. Tegangan
minimum yang terjadi pada sistem 33-bus meningkat dibandingkan dengan jaringan distribusi sebelum rekonfigurasi.
Distribusi daya yang hilang untuk setiap bus jaringan distribusi sebelum rekonfigurasi ditunjukkan pada Gambar 4. Gambar 5 menunjukkan tersebar rugi-rugi daya untuk
setiap bus jaringan distribusi setelah
Hal ini dapat diamati bahwa daya yang hilang di hampir setiap cabang berkurang, kecuali pada bus-bus 4, 16 dan 29, di mana daya yang hilang meningkat. Dari hasil penelitian ini, dapat dilihat dari jaringan 33-bus distri33-busi radial bahwa DG memiliki efek perbaikan pengurangan rugi-rugi daya dalam kasus ini, dan struktur jaringan yang optimal tanpa DG berbeda dengan dengan DG.
TABEL 1
LOKASI DAN KAPASITAS DG
Bus Capacity (kW) Power Factor
5 150 0.8
HASIL PENELITIAN JARINGAN DISTRIBUSI
IEEE33-BUS
Gambar 4. Distribusi rugi daya pada setiap bus sebelum rekonfigurasi.
Gambar 5. Distribusi rugi daya pada setiap bus setelah rekonfigurasi.
Dari hasil simulasi ini juga terungkap
bahwa DG memiliki efek perbaikan
pengurangan rugi-rugi daya pada penyulang (feeder). Berdasarkan jaringan distribusi radial 33-bus dengan integrasi DG, metode yang disajikan dalam makalah ini memiliki pengurangan kerugian yang signifikan dalam rangka meningkatkan kinerja sistem distribusi dengan integrasi pembangkit terdistribusi (DG). Berdasarkan hasil-hasil penelitian juga diperoleh temuan bahwa pemasangan DG pada bus-bus yang ditentukan berdampak pada meningkatnya magnitude tegangan pada
bus-bus tersebut. Dengan demikian
5. KESIMPULAN
Dari hasil penelitian ini dapat
disimpulkan bahwa DG memiliki efek perbaikan pengurangan rugi-rugi daya pada
penyulang (feeder). Berdasarkan simulasi
pada jaringan distribusi radial 33-bus dengan integrasi DG, bahwa prosentase pengurangan rugi-rugi daya aktif jaringan distribusi dapat mencapai 72,34 % melalui rekonfigurasi jaringan distribusi dengan integrasi DG.
Berdasarkan hasil-hasil penelitian juga
diperoleh temuan bahwa pemasangan DG pada bus-bus yang ditentukan berdampak pada meningkatnya magnitude tegangan pada
bus-bus tersebut. Dengan demikian
pemasangan DG memberikan pengaruh positif bagi peningkatan performa sistem distribusi daya listrik.
6. UCAPAN TERIMA KASIH
Penelitian ini terselenggara atas dukungan dana dari Ditlitabmas DIKTI melalui skim Penelitian Disertasi Doktor (PDD) tahun 2015, Nomor Kontrak: 007/HB-LIT/III/2015. Oleh karena itu penulis menyampaikan terima
kasih yang sebesar-besarnya kepada
Ditlitabmas DIKTI, semoga kerjasama yang baik ini dapat berlanjut terus, amin.
7. REFERENSI
[1] Syahputra, R., Soesanti, I., Ashari, M.
(2016). Performance Enhancement of
Distribution Network with DG
Integration Using Modified PSO
Algorithm. Journal of Electrical Systems (JES), 12(1), pp. 1-19.
[2] Syahputra, R., Soesanti, I. (2016). DFIG
Control Scheme of Wind Power Using ANFIS Method in Electrical Power Grid System. International Journal of Applied Engineering Research (IJAER), 11(7), pp. 5256-5262.
[3] Soesanti, I., Syahputra, R. (2016). Batik
Production Process Optimization Using Particle Swarm Optimization Method. Journal of Theoretical and Applied Information Technology (JATIT), 86(2), pp. 272-278.
[4] Syahputra, R., Soesanti, I. (2016). Design
of Automatic Electric Batik Stove for Batik Industry. Journal of Theoretical and
Applied Information Technology
(JATIT), 87(1), pp. 167-175.
[5] Syahputra, R. (2016). Application of
Neuro-Fuzzy Method for Prediction of Vehicle Fuel Consumption. Journal of Theoretical and Applied Information Technology (JATIT), 86(1), pp. 138-149.
[6] Jamal, A., Suripto, S., Syahputra, R.
(2016). Performance Evaluation of Wind Turbine with Doubly-Fed Induction
Generator. International Journal of
Applied Engineering Research (IJAER), 11(7), pp. 4999-5004.
[7] Syahputra, R., Robandi, I., Ashari, M.
(2015). Performance Improvement of
Radial Distribution Network with
Distributed Generation Integration Using Extended Particle Swarm Optimization
Algorithm. International Review of
Electrical Engineering (IREE), 10(2). pp. 293-304.
[8] Syahputra, R., Robandi, I., Ashari, M.
(2015). Reconfiguration of Distribution Network with DER Integration Using PSO Algorithm. TELKOMNIKA, 13(3). pp. 759-766.
[9] Syahputra, R., Robandi, I., Ashari, M.
(2015). PSO Based Multi-objective
Optimization for Reconfiguration of
Radial Distribution Network.
International Journal of Applied
Engineering Research (IJAER), 10(6), pp. 14573-14586.
[10]Syahputra, R. (2015). Simulasi
Pengendalian Temperatur Pada Heat Exchanger Menggunakan Teknik Neuro-Fuzzy Adaptif. Jurnal Teknologi, 8(2), pp. 161-168.
[11]Syahputra, R. (2015). Characteristic Test
of Current Transformer Based EMTP Shoftware. Jurnal Teknik Elektro, 1(1), pp. 11-15.
[12]Syahputra, R., (2012), “Distributed
Generation: State of the Arts dalam
Penyediaan Energi Listrik”, LP3M UMY,
Yogyakarta, 2012.
[13]Jamal, A., Suripto, S., Syahputra, R.
(2015). Multi-Band Power System
Stabilizer Model for Power Flow
[14]Syahputra, R., Robandi, I., Ashari, M. (2014). Optimization of Distribution Network Configuration with Integration of Distributed Energy Resources Using Extended Fuzzy Multi-objective Method.
International Review of Electrical
Engineering (IREE), 9(3), pp. 629-639.
[15]Syahputra, R., Robandi, I., Ashari, M.
(2014). Performance Analysis of Wind Turbine as a Distributed Generation Unit in Distribution System. International
Journal of Computer Science &
Information Technology (IJCSIT), Vol. 6, No. 3, pp. 39-56.
[16]Syahputra, R., Robandi, I., Ashari, M.,
(2014), “Distribution Network Efficiency
Improvement Based on Fuzzy
Multi-objective Method”. IPTEK Journal of IPTEK Journal of Proceedings Series. 2014; 1(1): pp. 218-223.
[18]Syahputra, R., (2013), “A Neuro-Fuzzy
Approach For the Fault Location
Estimation of Unsynchronized
Two-Terminal Transmission Lines”,
International Journal of Computer
Science & Information Technology (IJCSIT), Vol. 5, No. 1, pp. 23-37.
[19]Jamal, A., Syahputra, R. (2013). UPFC
Based on Adaptive Neuro-Fuzzy for Power Flow Control of Multimachine Power Systems. International Journal of Engineering Science Invention (IJESI), 2(10), pp. 05-14.
[20]Syahputra, R., (2012), “Fuzzy Multi
-Objective Approach for the Improvement of Distribution Network Efficiency by
Considering DG”, International Journal of
Computer Science & Information
Technology (IJCSIT), Vol. 4, No. 2, pp. 57-68.
[21]Jamal, A., Syahputra, R. (2012),
“Adaptive Neuro-Fuzzy Approach for the
Power System Stabilizer Model in
Multi-machine Power System”, International
Journal of Electrical & Computer Sciences (IJECS), Vol. 12, No. 2, 2012.
[22]Jamal, A., Syahputra, R. (2011), “Model
Power System Stabilizer Berbasis
Neuro-Fuzzy Adaptif”, Semesta Teknika, Vol.
14, No. 2, 2011, pp. 139-149.
[23]Syahputra, R., (2010), “Aplikasi Deteksi
Tepi Citra Termografi untuk
Pendeteksian Keretakan Permukaan
Material”, Forum Teknik, Vol. 33, 2010.
[24]Syahputra, R., Soesanti, I. (2015).
“Control of Synchronous Generator in
Wind Power Systems Using Neuro-Fuzzy
Approach”, Proceeding of International
Conference on Vocational Education and Electrical Engineering (ICVEE) 2015, UNESA Surabaya, pp. 187-193.
[25]Syahputra, R., Robandi, I., Ashari, M.
(2014). “Optimal Distribution Network
Reconfiguration with Penetration of
Distributed Energy Resources”,
Proceeding of 2014 1st International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE) 2014, UNDIP Semarang, pp. 388 - 393.
[26]Soedibyo, Ashari, M., Syahputra, R.
(2014), Power loss reduction strategy of distribution network with distributed generator integration. 1st International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE) 2014, UNDIP Semarang,
pp. 404 – 408.
[27]Syahputra, R., Robandi, I., Ashari, M.,
(2013), “Distribution Network Efficiency
Improvement Based on Fuzzy
Multi-objective Method”. International Seminar
on Applied Technology, Science and Arts (APTECS). 2013; pp. 224-229.
[28]Riyadi, S., Azra, R.A., Syahputra, R.,
Hariadi, T.K., (2014), “Deteksi Retak
Permukaan Jalan Raya Berbasis
Pengolahan Citra dengan Menggunakan Kombinasi Teknik Thresholding, Median
Filter dan Morphological Closing”,
Simposium Nasional Teknologi Terapan (SNTT)2 2014, Surakarta, pp. 46-53.
[29]Syahputra, R., Robandi, I., Ashari, M.,
(2012), “Reconfiguration of Distribution
Network with DG Using Fuzzy
Multi-objective Method”, International
[30]Jamal, A., Syahputra, R., (2011), “Design
of Power System Stabilizer Based on
Adaptive Neuro-Fuzzy Method”.
International Seminar on Applied
Technology, Science and Arts
(APTECS). 2011; pp. 14-21.
[31]Syahputra, R. (2010). Fault Distance
Estimation of Two-Terminal
Transmission Lines. Proceedings of
International Seminar on Applied
Technology, Science, and Arts (2nd APTECS), Surabaya, 21-22 Dec. 2010, pp. 419-423.
[32]Syahputra, R., (2015), “Teknologi dan
Aplikasi Elektromagnetik”, LP3M UMY,
Yogyakarta, 2016.
[33]Syahputra, R., (2014), “Estimasi Lokasi
Gangguan Hubung Singkat pada Saluran
Transmisi Tenaga Listrik”, Jurnal Ilmiah
Semesta Teknika Vol. 17, No. 2, pp. 106-115, Nov 2014.
[34]Syahputra, R., Robandi, I., Ashari, M.,
(2011), “Modeling and Simulation of
Wind Energy Conversion System in
Distributed Generation Units”.
International Seminar on Applied
Technology, Science and Arts
(APTECS). 2011; pp. 290-296.
[35]Syahputra, R., Robandi, I., Ashari, M.,
(2011), “Control of Doubly-Fed Induction
Generator in Distributed Generation Units
Using Adaptive Neuro-Fuzzy Approach”.
International Seminar on Applied
Technology, Science and Arts
(APTECS). 2011; pp. 493-501.
[36]Syahputra, R., (2016), “Transmisi dan
Distribusi Tenaga Listrik”, LP3M UMY,
Yogyakarta, 2016.
[37]Syahputra, R., (2015), “Teknologi dan
Aplikasi Elektromagnetik”, LP3M UMY,
Yogyakarta, 2016.
[38]Jamal, A., Syahputra, R. (2016). Heat
Exchanger Control Based on Artificial
Intelligence Approach. International
Journal of Applied Engineering Research (IJAER), 11(16), pp. 9063-9069.
[39]Syahputra, R., Soesanti, I. (2015). Power