Desain Wide Area Monitoring Pada Sistem Tenaga Listrik Menggunakan Least
Square Support Vector Regression
Article · April 2012
CITATION
1
READS
278
3 authors:
Some of the authors of this publication are also working on these related projects:
Visibility Restoration for Disaster Mitigation of Kelud VolcanoView project
Scheme of National ResearchView project Muhammad Abdillah
Universitas pertamina
67PUBLICATIONS 89CITATIONS
SEE PROFILE
Adi Soeprijanto
Institut Teknologi Sepuluh Nopember
166PUBLICATIONS 439CITATIONS
SEE PROFILE
Mauridhi Hery Purnomo
Institut Teknologi Sepuluh Nopember
331PUBLICATIONS 714CITATIONS
Desain
Wide Area Monitoring
Pada Sistem Tenaga Listrik
Menggunakan
Least Square Support Vector Regression
MUHAMMAD ABDILLAH
1), ADI SOEPRIJANTO
2), MAURIDHI HERY PURNOMO
3)1,2,3)
Jurusan Teknik Elektro
Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS, Keputih, Sukolilo, Surabaya, 60111
INDONESIA 1)
abdillah@elect-eng.its.ac.id, 2)adisup@ee.its.ac.id, 3)hery@ee.its.ac.id
Abstrak: - Desain wide area monitoring (WAM) pada sistem tenaga listrik modern merupakan masalah penting dan menantang untuk enjiner teknik elektro dikarenakan sistem tenaga listrik modern adalah sistem interkoneksi yang sangat kompleks dan dinamis. Pada paper ini diusulkan desain WAM berbasis Least Square
Support Vector Regression (LS-SVR). Sistem tenaga listrik dua area-empat generator di gunakan sebagai tes
sistem untuk mengevaluasi performansi metode yang diusulkan. Sinyal input yang digunakan oleh WAM adalah input ke AVR ∆Vri, torsi mekanik ∆Tmi and torsi elektrik ∆Tei dari generator 1 dan 3. Output dari WAM
untuk memprediksi deviasi kecepatan sudut generator 1 dan 3. WAM digunakan untuk memprediksi deviasi kecepatan sudut generator 1 dan 3 dikarenakan kedua generator tersebut menyebabkan osilasi inter-area pada sistem tenaga listrik dua area-empat generator. Kriteria mean square error (MSE), mean absolute error (MAE)
dan sum squared error (SSE) digunakan untuk mengetahui keakuratan hasil prediksi metode yang diusulkan.
Hasil simulasi menunjukkan bahwa metode yang diusulkan dapat memprediksi kecepatan sudut generator 1 dan 3 secara efektif dengan nilai MSE yang kecil.
Kata Kunci: -Wide Area Monitoring, Least Square Support Vector Regression, Mean Square Error
Abstract: -Design of wide area monitoring (WAM) in modern power system is important and challenge issues for electrical engineers since modern power system are highly complex interconnected systems and dynamic. This paper proposed a design of WAM based Least Square Support Vector Regression (LS-SVR). A two area-four generator power system is used as a test system for evaluating the performance of the proposed method. The input signals of WAM are input to the AVR ΔVri, mechanical torque ΔTmi and electrical torque ΔTei of
generator 1 and 3. The output signals of WAM are used to predict the speed angles deviations of generator 1 and 3. WAM are used to predict the speed angle deviations of generator 1 and 3 due to both of them generate inter-area oscillations in a two-area four-generator power system. Mean square error (MSE), mean absolute
error (MAE) and sum squared error (SSE) criterions are used to determine the accuracy of prediction results of
proposed method. Simulation results show that the proposed method can effectively predict the speed angle deviation of generator 1 and 3 with a small MSE value.
Key-Words: -Wide Area Monitoring, Least Square Support Vector Regression, Mean Square Error
1 Pendahuluan
Sistem tenaga listrik merupakan salah satu sistem skala besar yang penting, kompleks dan dinamik. Hal tersebut dikarenakan perkembangan permintaan beban listrik dan konfigurasi sistem tenaga listrik yang berubah secara kontinyu seiring pertumbuhan penduduk yang sangat cepat. Sistem tenaga listrik harus tetap beroperasi untuk mengirimkan daya listrik hingga ke konsumen secara kontinyu dalam keadaan stabil dan handal. Untuk menjaga sisem tenaga listrik tetap dalam keadaan stabil dan handal maka diperlukan sebuah sistem monitoring yang dapat memonitor secara kontinyu perilaku dinamik sistem
tenaga listrik tersebut. Wide area monitoring (WAM) merupakan sebuah sistem yang dapat didesain untuk memonitor sistem tenaga listrik skala besar. Dengan meningkatnya ketersediaan teknologi komputer, komunikasi dan pengukuran (sebagai contoh adalah
phasor measurement units (PMU) berbasis sistem
global positioning satellite (GPS), maka sangat
Gambar 1. Model sistem tenaga listrik dua area-empat generator [9]
pada beberapa fungsi tujuan yang telah ditetapkan untuk memonitor sistem tenaga listrik.
Mendesain WAM membutuhkan pengetahuan tentang dinamika sistem tenaga listrik secara keseluruhan bagi desainer. Hal ini dikarenakan sistem tenaga listrik adalah skala besar, stokastik, dan kompleks. Metode matematika yang standar tidaklah cukup untuk mendesain sebuah WAM. Masalah ini dapat diatasi dengan menggunakan pendekatan alternatif yaitu desain WAM berbasis teknik kecerdasan buatan.
Teknik kecerdasan buatan saat ini telah banyak berkembang pesat dan telah diaplikasikan sebagai
Wide area monitoring (WAM) diantaranya adalah
Artificial Neural Network (ANN) [4], Radial Basis
Function Neural Network [5], dan Cellular Neural
Network [6].
Metode least square support vector machine for
regression (LS-SVR) merupakan versi least square
dari support vector regression (SVR) yang digunakan untuk klasifikasi dan analisis regresi. Dalam versi ini sebuah solusi diselesaikan menggunakan persamaan
linear daripada permasalahan convex quadratic
programming (QP) untuk SVR standar. LS-SVR,
diusulkan oleh Suykens dan Vandewalle pada tahun 1999 [7]. LS-SVR merupakan metode pembelajaran berbasis kernel
.
Metode least square support vector machine (LS-SVR) merupakan salah satu alternatif pilihan yang
sangat bagus digunakan sebagai wide area
monitoring (WAM). LS-SVR merupakan
pengembangan dari metode SVR. Kinerja LS-SVR
lebih baik dibandingkan SVR standar dalam hal proses perhitungan dan tingkat presisi yang tinggi [8]. Paper ini mempresentasikan sebuah desain WAM berbasis LS-SVR untuk sistem tenaga listrik dua area-empat generator. WAM digunakan untuk memprediksi deviasi kecepatan sudut rotor dari generator di dua area yakni Generator 1 dan Generator 3.
Paper ini di organisasikan sebagai berikut, Pada bab 2 sebuah ikhtisar dari pemodelan sistem tenaga listrik dan wide area monitoring di diskusikan. Metode yang diusulkan yakni least square support
vector regression (LS-SVR) di paparkan pada bab 3.
Pada bab 4 di jelaskan tentang implementasi metode yang diusulkan pada sistem. Hasil simulasi dan analisis dari metode yang diusulkan di sajikan pada bab 5. Bab terakhir adalah kesimpulan
2 Model Sistem Tenaga listrik dan
Wide Area Monitoring
Sebuah ikhtisar dari pemodelan sistem tenaga listrik dan wide area monitoring dijelaskan pada bagian ini.
2.1 Model Sistem Tenaga Listrik
Model linear dinamik adalah model sistem tenaga listrik yang digunakan pada penelitian ini. Model tersebut digunakan untuk menganalisis perilaku sistem akibat gangguan kecil.
Gambar 2. Model sistem tenaga listrik dua area-empat generator dilengkapi with wide area monitoring
Gambar 3. Diagram blok wide area monitoring
System [9] yang ditunjukkan pada Gambar 1 terdiri dari dua area yang simetris dan masing-masing area di suplai oleh 2 generator yang terhubung jaring
double circuit dengan 230kV dan berjarak 220 km.
Generator Thermal digunakan pada sistem ini dengan rating 20kV/900MVA dan terhubung ke jaring sistem tenaga listrik melalui trafo. Generator yang terdapat
2.2 Wide Area Monitoring
Desain sebuah WAM untuk sistem tenaga listrik pada saat ini sangat memungkinkan dikarenakan berkembangnya komputer modern, komunikasi dan teknologi informasi dengan pesat dan dapat diintegrasikan satu sama lain. Tujuan dari penggunaan WAM pada sistem tenaga listrik adalah untuk mengidentifikasi terjadinya gangguan yang terjadi pada sistem teanaga listrik.
Pada paper ini desain wide area monitoring
(WAM) untuk sistem tenaga listrik dua area berbasis LS-SVR. Sinyal input WAM adalah input ke AVR [∆Vr1(k-1), ∆Vr1(k-2), ∆Vr1(k-3), ∆Vr3(k-1), ∆Vr3(k-2),
∆Vr3(k-3)], torsi mekanik [∆Tm1(k-1), ∆Tm1(k-2),
∆Tm1(k-3), ∆Tm3(k-1), ∆Tm3(k-2), ∆Tm3(k-3)], dan torsi
elektrik [∆Te1(k-1), ∆Te1(k-2), ∆Te1(k-3), ∆Te3(k-1),
∆Te3(k-2), ∆Te3(k-3)] dari generator 1 dan 3 di area 1
dan area 2. Sinyal output dari WAM adalah hasil identifikasi terhadap perubahan kecepatan sudut generator pada sistem, yang disebut [ˆ1( ),k ˆ3( )]k . Target pelatihan WAM adalah perubahan kecepatan sudut generator [1( ),k 3( )]k pada sistem.
Sistem tenaga listrik dua area yang digunakan pada penelitian ini ditunjukkan pada Gambar 2. Sedangkan diagram blok untuk input dan output WAM berbasis LS-SVR terhubung ke sistem selama proses pelatihan ditunjukkan pada Gambar 3. Sinyal-sinyal ini diaplikasikan pada WAM setiap 10 ms, agar sesuai dengan teknologi Phasor Measurement Unit (PMU).
3 Least Squares Support Vector
Regression (LS-SVR)
Least squares support vector regression (LS-SVR)
adalah pengembangan metode SVR standar yang
mengarah pada pemecahan linear sistem
Karush-Kuhn-Tucker (KKT). Dalam formulasi LS-SVR,
perhitungan komputasi dari SVR yang
disederhanakan dengan versi least squares
dibandingkan inequality constraints dan fungsi objektif penjumlahan kesalahan kuadrat (squared
error) yang digunakan dalam pelatihan jaring saraf
tiruan. Pengembangan ini dapat menyederhanakan masalah dalam menyelesaikan satu set persamaan linear dibandingkan menggunakan pemrograman kuadratik (quadratic programming) dalam metode SVR.
Diberikan sejumlah N data
x yi, i i
N1, dan output dari LS-SVR adalah sebagai berikut,( ) T ( ) i
y x w x b e (1)
denganxRn,yR dan (.) :Rn Rnh adalah pemetaan ke dimensi ruang fitur tinggi.Masalah optimisasi berikut ini dirumuskan sebagai berikut,
2
Menggunakan aplikasi teori Mercer untuk matriks kernel Ω dengan
( , ) ( )T ( ),
ij K x xi j xi xj
i dan j= 1,…, N (3)
tidak diperlukan menghitung secara eksplisit pemetaan nonlinier (.) seperti ini dilakukan secara implisit melalui penggunaan fungsi kernel positif definit K.
denganiadalah pengali lagrange, menurunkan persamaan (4) dengan w,b,ei, dan iuntuk kondisi
optimal dapat digambarkan sebagai berikut,
1
dengan mengeliminasi w dan ei didapatkan sistem
linear sebagai berikut
1 model LS-SVR dalam ruang ganda menjadi,
1
Untuk penelitian ini, Kernel RBF digunakan dinyatakan sebagai berikut,
4 Implementasi Squares Support
Vector Regression (LS-SVR) sebagai
Wide Area Monitoring
Dalam bagian ini dipaparkan Least squares
support vector regression (LS-SVR) sebagai wide
area monitoring pada sistem tenaga listrik. Flowchart
dari aplikasi LS-SVR sebagai wide area monitoring
pada sistem tenaga listrik dua area-empat generator seperti ditunjukkan pada Gambar 4.
Gambar 4. Flowchart aplikasi LS-SVR sebagai WAM
Langkah-langkah metode yang diusulkan dari Gambar 4, adalah sebagai berikut:
1. Input data parameter dari generator, jaring transmisi, dan beban untuk simulasi, desain kontroler dan analisis;
2. Dilakukan perhitungan aliran daya (loadflow) yang dilanjutkan dengan proses reduksi matriks admitansi jaring. Hasil perhitungan
aliran daya, reduksi matriks admitansi jaring dan parameter dinamik mesin digunakan sebagai data model linear multimesin.
3. Pemilihan parameter LS-SVR sebagai WAM
dengan metode trial and error.
4. Parameter LS-SVR yang telah didapatkan
selama forced training kemudian ditetapkan dan di lakukan tahap testing dengan gangguan alami yang terjadi pada sistem tenaga listrik.
5 Hasil dan Analisis
Data simulasi, hasil simulasi dan analisis di paparkan dalam bagian ini sebagaimana berikut:
5.1 Data Simulasi
Simulasi pada penelitian ini dilakukan menggunakan PC Pentium Intel (R) Core (TM) CPU I3 380M @ 2.5 GHz RAM 2.00 GB. Evaluasi perfromansi dan keakuratan dari metode yang diusulkan merupakan tujuan dari simulasi yang
dilakukan. Software MATLAB digunakan untuk
simulasi dan analisis pada paper ini.
Untuk mengevaluasi performansi WAM berbasis LS-SVR yang diusulkan, sistem tenaga listrik dua
area-empat generator (kundur’s two area power
system) pada Gambar 1 digunakan untuk verifikasi
metode yang diusulkan. Sedangkan Data yang digunakan pada sistem tersebut yang meliputi data parameter mesin, governor, sistem eksitasi, trafo dan beban pada penelitian ini ditunjukkan pada Tabel 1 s/d Tabel 6.
Tabel 1. Data Parameter Mesin
Pembangkit Jenis Lokasi Daya
Tabel 2. Parameter Dinamik Mesin
Pembangkit Xd Xd’ Xd’’ Xq Xq’ Xq’’
G1 1.8 0.3 0.25 1.7 0.55 0.25
G2 1.8 0.3 0.25 1.7 0.55 0.25
G3 1.8 0.3 0.25 1.7 0.55 0.25
G4 1.8 0.3 0.25 1.7 0.55 0.25
Tabel 3. ParameterGovernor dan Sistem Eksitasi
ref
Gambar 5. Diagram blok model fast exciter dengan PRBS
Tabel 4. Parameter Data Saluran
No Saluran R+JX(p.u) Jarak(Km)
1 Bus 5-Bus 6 0.0001+j0.001 25
Trafo 1-Trafo 4 0.0+j0.15
Tabel 6. Beban
No Lokasi Beban Daya
P(MW) Q(MVAR)
1 Bus 7 L1 967 187
2 Bus 9 L2 1767 187
Kriteria mean square error (MSE), mean absolute
error (MAE) dan sum squared error (SSE)
digunakan untuk mengetahui tingkat keakuratan WAM berbasis LS-SVR sebagaimana ditunjukkan pada Persamaan (9), Persamaan (10) dan Persamaan (11),
5.2 Hasil Simulasi dan Analisis
Proses yang dilakukan untuk desain WAM pada penelitian ini terdiri dari dua tahap pelatihan yaitu:
forced training dan testing. Pseudo Random Binary
Squence (PRBS) diaplikasikan pada sistem eksitasi
generator saat dilakukan forced training pada WAM,
sedangkan testing dilakukan saat WAM diberi
gangguan secara alami seperti perubahan beban, dan lain-lain.
5.2.1 Forced Training
Pada saat tahap ini, sistem diganggu dengan
injeksi sinyal kecil PRBS (Pseudorandom binary
signa1) [∆Vr1(k-1), ∆Vr1(k-2), ∆Vr1(k-3), ∆Vr3(k-3),
∆Vr3(k-2), ∆Vr3(k-3)] pada Generator G1, dan G3
untuk melatih WAM dengan saklar S1 terhubung
yang menyebabkan deviasi kecepatan rotor pada Generator di masing-masing area.
PSS pada Generator 1 dan 3 dengan saklar S2 juga terhubung saat tahap pelatihan ini. Pada Gambar 5 ditunjukkan diagram blok sistem eksitasi yang dilengkapi dengan PRBS. Nilai PRBS adalah 10% sesuai batas untuk masukan ke sistem eksitasi. Nilai PRBS yang diaplikasikan pada Generator 1 dan Generator 3 di tunjukkan pada Gambar 6 dan 7. Ketika telah didapatkan parameter LS-SVR yang
sesuai, PRBS di lepas dan forced training di
hentikan.
Gambar 6. Sinyal PRBS ∆Vr1 diaplikasikan pada
Gambar 7. Sinyal PRBS ∆Vr3 diaplikasikan pada
G3saat tahap forced training
Gambar 8. Deviasi kecepatan sudut rotor G1and WAM selama tahap forced training
Gambar 9. Deviasi kecepatan sudut rotor G3 and WAM selama tahap forced training
Deviasi kecepatan rotor aktual dan estimasi kecepatan rotor yang di prediksi oleh WAM berbasis LS-SVR untuk Generator 1 dan Generator 3 ditunjukkan pada Gambar 8 dan 9. Dari Gambar 8 dan 9 terlihat jelas bahwa WAM berbasis LS-SVR mampu memperkirakan penyimpangan kecepatan rotor dari G1 dan G3 sangat baik. Ini menunjukkan bahwa WAM telah mempelajari dinamika sistem dengan baik.
Tabel 8. Parameter LS-SVR
LS-SVR γ 1000
σ 5
Berdasarkan Tabel 7 dapat diketahui bahwa metode LS-SVR memiliki nilai MSE sebesar 2.7462e-009, MAE sebesar 3.6847e-005 dan SSE sebesar 1.6483e-005 lebih kecil dibandingkan dengan metode SVR. Parameter yang digunakan oleh LS-SVR ditunjukkan pada Tabel 8.
5.2.2 Testing
Parameter LS-SVR yang digunakan pada tahap
testing adalah parameter LS-SVR yang diperoleh saat
forced training ketika saklar S1 pada Gambar 5
dihubungkan.
Pada tahap ini PRBS yang terhubung melalui saklar S1 di buka. Gangguan alami sebesar 0.03 p.u diterapkan ke sistem tenaga listrik dua area pada tahap ini dengan tujuan untuk mengevaluasi kinerja dari WAM berbasis LS-SVR.
Gambar 10. Deviasi dari kecepatan sudut rotor G1 dan WAM selama diberi gangguan
0 0.5 1 1.5
Estimasi kecepatan sudut rotor G1
Waktu(Detik)
Estimasi kecepatan sudut rotor G3
Waktu(Detik)
-3 Estimasi kecepatan sudut rotor G1
JAVA Journal of Electrical and Electronics Engineering, Vol. 10, No.1, Apr . 2012, ISSN 1412-8306 Gambar 11. Deviasi dari kecepatan sudut rotor G3
dan WAM selama diberi gangguan
Tabel 9. MSE, MAE, SSE
LS-SVR
MSE 1.0898e-012
MAE 6.3719e-007
SSE 6.5410e-009
Hasil simulasi secara keseluruhan dari Gambar 8 – Gambar 11 menunjukkan bahwa WAM berbasis LS-SVR mampu memprediksi deviasi kecepatan
sudut rotor dari generator G1 dan G3 dengan
perubahan yang terjadi sebesar 0.03 pu pada sistem tenaga listrik dua area, menyiratkan bahwa forced
training dan testing dilakukan dengan PRBS cukup
untuk melihat semua kemungkinan dinamika sistem pada sistem tenaga listrik.
Pada Tabel 9 dapat dilihat bahwa metode LS-SVR memiliki nilai MSE sebesar 1.0898e-012, MAE sebesar 6.3719e-007 dan SSE sebesar 6.5410e-009. Dari ketiga kriteria yang digunakan tersebut dapat diketahui bahwa nilainya kecil dan menunjukkan bahwa WAM berbasis LS-SVR mampu memprediksi deviasi kecepatan sudut rotor kedua generator dengan baik.
6 Kesimpulan
Metode baru untuk desain wide area monitoring
berbasis least square support vector regression pada sistem tenaga listrik telah diusulkan pada paper ini.
Wide area monitoring berbasis least square support
vector regression telah berhasil dikembangkan untuk
memprediksi deviasi kecepatan sudut rotor dari dua generator di dua area yang berbeda. Hasil simulasi menunjukkan bahwa desain yang diusulkan sangat menjanjikan untuk memprediksi perilaku dinamik multimesin pada sistem tenaga listrik dari waktu ke waktu bahkan ketika terjadi perubahan konfigurasi pada sistem tenaga listrik.
Referensi:
[1] M. Begovic, D. Novosel, D. Karlsson, C. Henville, and G. Michel, “Wide-area protection
and emergency control,” Proceedings of the
IEEE, May 2005; 93(5), 876-891.
[2] X. Xie et al, “WAMS application in chinese
power system”, IEEE Power and Energy
Magazine , January 2006; 54–63.
[3] C. Decker, D. Dotta, M. N. Agostini, S. L.
Zimath, and A. S.Silva. “Performance of a
synchronized phasor measurements system in
the Brazilian power system”. In IEEE Power
System Society General Meeting, Montreal, Canada, 2006.
[4] Xiaomeng Li, Ganesh K. Venayagamoorthy, “A Neural Network Based Wide Area Monitor for a
Power System”, Power Engineering Society
General Meeting, 2005; 2, 1455–1460.
[5] Wei Qiao, Ganesh K. Venayagamoorthy, and
Ronald G. Harley, “DHP-Based Wide-Area
Coordinating Control of a Power System with a Large Wind Farm and Multiple FACTS
Devices”, Proceedings of International Joint
Conference on Neural Networks, Orlando, Florida, USA, August 12-17, 2007; 2093–2098. [6] Bipul Luitel, Ganesh K. Venayagamoorthy,
“Wide area monitoring in power systems using
cellular neural networks”, IEEE Symposium on
Computational Intelligence Applications In Smart Grid (CIASG), 2011; 1-8.
[7] Suykens, J.A.K.; Vandewalle, J, "Least squares support vector machine classifiers", Neural
Processing Letters, 1999; 9 (3), 293-300.
[8] Suykens, J. A. K., Van Gestel, T., De Brabanter, J., De Moor, B., & Vandewalle, J., Least squares support vector machines, World Scientific, 2002.
[9] P. Kundur, Power system stability and control, McGraw-Hill, ISBN 0-07-0355958-X, 1994; 813
-4 Estimasi kecepatan sudut rotor G3