Emission dan Economic Dispatch pada
Sistem Kelistrikan Micro Grid Menggunakan
Multiobjective Genetic Algorithm
Optimization
PRIMADITYA SULISTIJONO 2210100147
DOSEN PEMBIMBING :
PROF. IR. ONTOSENO PENANGSANG, M.SC., PH.D. DR. RONY SETO WIBOWO, ST., MT.
Permasalahan
Peningkatan kebutuhan daya listrik Ketersediaan sumber energi minyak dan batubara menipis
Ketahanan
Listrik
Solusi
Pembangkit tersebar bersumber energi
terbarukan
Pembangkitan
Metodologi
Studi Literatur
• Membaca buku dan browsing terkait teori • Mencoba program Matlab
Pengumpulan Data
• Parameter pembangkit • Kurva pembebanan
• Emisi dan biaya pembangkitan • Record beban
Pemodelan Sistem
• Fungsi biaya pembangkit • Fungsi emisi pembangkit
Simulasi dan Analisis
• Simulasi emission dan economic dispatch menggunakan Multiobjective Genetic Algorithm dengan Matlab
• Analisis hasil simulasi
Penyusunan laporan
• Kesimpulan tugas akhir
Studi Literatur
Studi Multi Obyektif
Economy-Emission Dispatch untuk Mengurangi Emisi SO2
pada Sistem Tenaga Listrik
• Mempelajari economy-emission dispatch pada Sistem Jawa Bali area IV
menggunakan Lamda Iterasi
MicroGrid Modelling and Online
Management
• Mempelajari pemodelan pembangkit
terbarukan dalam sistem MicroGrid beserta karakteristiknya
Combine Active Reactive Dispatch
Multiobjective Optimal Power Flow Using Firefly Algorithm
• Mempelajari penentuan
pengaturan daya aktif dan reaktif yang optimal menggunakan
multiobjective aggregating
Sistem Kelistrikan Micro Grid
Karakteristik pembangkit
Sel Surya
Turbin Angin
Karakteristik pembangkit
Bahan Bakar dan Emisi
Turbin
Mikro
Sel
Bahan
Bakar
Generator DieselLevel
Emission
Emisi
Persamaan
SO
2CO
2NO
X Generator Diesel Turbin Mikro Sel Bahan BakarPembangkit
E(P) = total emisi generator berbahan bakar αFC, αMT, dan αDG = koefisien non-negatif dari SO2,
βFC, βMT, and βDG = koefisien non-negatif dari CO2, γFC, γMT, and γDG = koefisien non-negatif dari NOx.
Faktor emisi
Faktor
Emisi
DG
(g/kWh)
FC
(g/kWh)
MT
(g/kWh)
α 0.454 0.006 0.008 β 1.432 1.078 1.596 γ 21.8 0.03 0.44α = koefisien non-negatif dari
SO
2,
β = koefisien non-negatif dari
CO
2,
Economic Dispatch
Bahan Bakar
Persamaan
Gas
Alam
Solar
Generator Diesel Turbin Mikro Sel Bahan BakarPembangkit
Biaya operasi sel bahan bakar (
PEM Fuel
Cell
50
kW
)
CF(PFC) = total biaya operasi sel bahan bakar (R/h)
Cnl = harga gas alam untuk menyuplai sel bahan bakar (R/kWh) PFC = daya listrik netto dari sel bahan bakar (kW)
η = efisiensi sel bahan bakar
H = harga gas alam = 5.8 USD/mmBtu K = kurs mata uang USD ke IDR = 11300 HR = heat rate LHV = 13100 Btu/kWh
Biaya operasi turbin mikro (
30 kW
Capstone C30 Micro Turbine
)
CF(PMT) = total biaya operasi turbin mikro (R/h)
Cnl = harga gas alam untuk menyuplai turbin mikro (R/kWh) PMT = daya listrik netto dari turbin mikro (kW)
H = harga gas alam = 5.8 USD/mmBtu K = kurs mata uang USD ke IDR = 11300 HR = heat rate LHV = 13100 Btu/kWh
Efisiensi (
η)
turbin mikro
η
= efisiensi turbin mikro
P
SC= daya sistem (
kW)
P
MT= daya listrik netto dari turbin mikro (
kW)
CF
(
P
DG)
= total biaya operasi generator diesel (R/h)
R
= harga bahan bakar = 5500 R/liter
a
,
b
, dan
c
= koefisien generator = 0.4333, 0.2333, dan 0.0074
P
DG= keluaran daya dari generator diesel (
kW)
Biaya operasi generator diesel (
6-kW diesel
Pembangkitan Sel Surya (SOLAREX MSX-83)
P
PV= daya keluaran dari modul saat radiasi
G
ING(W)
P
STC= daya maksimum modul saat
STC = 83 W
G
ING= radiasi aktual (
W/m
2)
G
STC= radiasi saat
STC
= 1000
W/m
2 M
= jumlah modul sel surya
k
= koefisien suhu untuk daya modul = - 0.5 %/
oC
T
C= suhu sel (
oC)
Pembangkitan Turbin Angin (AIR403)
PWT = daya keluaran dari turbin angin (W) PWT,r = rating daya = 130 W
J = jumlah turbin angin terpasang Vci = kecepatan cut-in = 3.5 m/s Vco = kecepatan cut-out = 18 m/s
Vr = rating kecepatan angin = 17.5 m/s Vac = kecepatan angin aktual (m/s)
Kurva daya aktual dan model Turbin Angin
(AIR403)
Total pemasukan dari penjualan
daya ke PLN
Cpln = total harga yang dijual ke PLN (R/h) Upln = daya yang dijual ke PLN (kW)
Tjual = tarif jual ke PLN = 600 R/kWh
TotR = total daya Renewable Generator (kW) Load = total beban (kW)
Ppv = total daya sel surya (kW) Pwt = total daya turbin angin (kW)
Total pengeluaran dari pembelian
daya PLN
Dpln = total harga yang dibeli dari PLN (R/h) Vpln = daya yang dibeli dari PLN (kW)
Tbeli = tarif beli dari PLN = 900 R/kWh
TotG = total daya maksimum generator berbahan bakar (kW) PFCmax = daya maksimal dari sel bahan bakar = 50 kW
PMTmax = daya maksimal dari turbin mikro = 30 kW PDGmax = daya maksimal dari generator diesel = 6 kW
Constraints
Equality Constraint merupakan batasan yang merepresentasikan
keseimbangan daya dalam sistem.
Inequality Constraint merupakan batasan yang merepresentasikan
Multiobjective Optimization
CF
(
P
) = total biaya operasi generator berbahan bakar (R/h)
E
(
P
)
= total emisi generator berbahan bakar (g)
w
1=
weight
biaya operasi
w
2=
weight
emisi
Implementasi Algoritma
Menghitung daya keluaran dari turbin angin.
Menghitung daya keluaran dari sel surya.
Asumsikan turbin angin dan sel surya tidak menghasilkan biaya dan emisi
saat beroperasi.
Jika total permintaan beban lebih kecil dari daya keluaran sel surya dan
turbin angin maka daya sisa akan dijual ke PLN.
Beban netto dihitung hanya jika daya keluaran dari turbin angin dan sel
surya lebih kecil dari total permintaan beban.
Memilih sumber lainnya dalam memenuhi beban (sel bahan bakar, turbin
mikro, atau generator diesel) sesuai dengan fungsi tujuannya.
Jika daya keluaran seluruh pembangkit masih tidak cukup dalam
Multiobjective Genetic Algorithm
Membangkitkan populasi secara acak. Terdapat 3 gen dalam 1 kromosom dan
1000 kromosom dalam 1 populasi.
Pengkodean kromosom merupakan konversi dari nilai asumsi ke nilai real. Nilai ini
diwakili oleh kromosom yang dibangkitkan secara acak tadi. Sedangkan nilai real adalah nilai daya pembangkitan yang sesungguhnya.
Hasil dari pengkodean kromosom dimasukkan ke dalam fungsi biaya dan emisi
pembangkitan sehingga didapatkan nilai fitness.
Metode seleksi, pindah silang serta mutasi digunakan untuk menyeleksi individu
yang paling optimal dalam populasi tersebut. Probabilitas Pindah Silang yang dipakai adalah 0.8. Sedangkan probabilitas Mutasi yang dipakai adalah 0.3.
Proses akan terus berulang untuk mendapatkan kromosom terbaik. Kromosom
terbaik ini direpresentasikan dalam bentuk nilai fitness terbesar.
Kromosom terbaik dari seluruh proses tersebut akan muncul setelah iterasi
Multiobjective
Studi Kasus 1 (Jual daya ke PLN)
Data masukan
Studi Kasus 2 (Pembangkit berbahan
bakar on dan Prioritas biaya operasi)
w
1= 0.8
w
2= 0.2
Sel Surya :
M
= 6 modul
G
ING= 1500
W/m
2 T
C= 70
oC
Turbin Angin :
J
= 5 unit
V
ac= 17
m/s
Studi Kasus 3 (Pembangkit berbahan
bakar on dan Prioritas emisi)
w
1= 0.2
w
2= 0.8
Sel Surya :
M
= 6 modul
G
ING= 1500
W/m
2 T
C= 70
oC
Turbin Angin :
J
= 5 unit
V
ac= 17
m/s
Studi Kasus 4 (Pembangkit berbahan
bakar on dan Prioritas seimbang)
w
1= 0.5
w
2= 0.5
Sel Surya :
M
= 6 modul
G
ING= 1500
W/m
2 T
C= 70
oC
Turbin Angin :
J
= 5 unit
V
ac= 17
m/s
Perbandingan Studi Kasus 2, 3, dan 4
Studi Kasus 2 (prioritas biaya operasi)
Studi Kasus 3 (prioritas emisi)
Studi Kasus 5 (Beli daya dari PLN)
Data masukan
Kurva Konvergensi
Karena menggunakan formula 1/fungsi tujuan maka semakin besar nilai
fitness
, semakin menuju ke titik optimal.
Waktu yang dibutuhkan untuk menghasilkan 25 iterasi ini yaitu sekitar 26
Analisis Statistik
Fitness
Tabel disamping menunjukkan nilai minimum,
maksimum, rata-rata, dan standar deviasi dari fitness.
Nilai standar deviasi yang kecil menunjukkan
nilai-nilai diatas berkumpul disekitar rata-rata hitungnya (penyebarannya kecil).
Kesimpulan
Metode ini mampu menentukan pembangkit yang dioperasikan serta
besarnya daya yang dibangkitkan berdasarkan permintaan beban
dalam sistem Micro Grid sehingga beban dapat dipenuhi dengan biaya dan emisi yang paling minimal.
Terdapat pemasukan dari penjualan daya ke PLN apabila daya yang
terbangkit dari pembangkit renewable lebih besar dari permintaan
beban tetapi terdapat pengeluaran dari pembelian daya PLN apabila permintaan beban melebihi total pembangkitan dari seluruh
pembangkit dalam sistem Micro Grid.
Dengan mengatur nilai weight dari multiobjective genetic algorithm
maka didapatkan hasil emission dan economic dispatch yang sesuai dengan yang diprioritaskan. Semakin besar nilai weight maka semakin besar pula prioritasnya.
Metode multiobjective genetic algorithm mempunyai nilai penyebaran
yang kecil dari nilai rata-rata hitungnya. Metode ini juga sangat efisien dalam pemecahan masalah karena waktunya yang singkat yaitu hanya sekitar 26 detik.
Daftar Pustaka
Imam Robandi, “Modern Power System Control”, Penerbit ANDI, Yogyakarta, 2009.
WANG Jiang-hai, TAI Neng-ling, SONG Kai, “Penetration Level Permission of for DG in Distributed Network Considering Relay Protection,” Proceedings of the CSEE, 30 (2010), No. 22, 37-43. YU Kun, CAO Yijia, CHEN Xingying, “Dynamic Probability Power Flow of District Grid Containing Distributed Generation,” Proceedings of the CSEE, 31 (2011), No. 1, 20-25.
Naoto Yorino, Hafiz Mohd Habibuddin, Zoka Yoshifumi, Sasaki Yutaka, Ohnishi Yuji,”Dynamic Economic Dispatch with Generatir’s Feasible Operatoin Region”, Power and Energy
Engineering Conference (APPEEC), 2010 Asia-Pacific, 10.1109/APPEEC.2010.5448180, 2010.
D. W. Ross, S. Kim, ”Dynamic Economic Dispatch of Generation”, IEEE Trans. on Power Apparatus and Systems, vol. PAS-99, no. 6, pp. 2060-2068, Nov. 1980.
Mohamed Faisal A, Koivo Heikki., “System modelling and online optimal management of MicroGrid using Mesh Adaptive Direct Search”, International Journal of Electrical Power & Energy
Systems., Vol. 32,no 5 . 2010, pp. 398–407.
S. Campanari and E. Macchi. Technical and tariff scenarios effect on microturbine trigenerative applications. Journal of Engineering for Gas turbines and Power, 126:581 – 589, July 2004. Morgantown, W, “Emission rates for new DG technologies”, the Regulatory Assistance Project., Online Available,http://www.raponline.org
ProjDocs/DREmsRul/Collfile/DGEmissionsMay2001.pdf.
Wibowo, Rony Seto, Sidarjanto, Syariffuddin, M. “Studi Multi Obyektif Economy-Emission Dispatch untuk Mengurangi Emisi SO2 pada Sistem Tenaga Listrik”, Tugas Akhir Jurusan Teknik Elektro
ITS, 1999.
Priyanto, Yun Tonce Kusuma. “Combine Active Reactive Dispatch Multiobjective Optimal Power Flow Using Firefly Algorithm”, Master Theses of Electrical Engineering, RTE 621.319 Pri p, 2013. Bakirtzis, A., Petridis, V., dan Kazarlis, S. “Genetic Algorithm solution to the Economic Dispatch problem”, IEE Proc-Gener. Transm. and Distrib, vol 141, no. 4, p.377-382, 1994.
Mohamed Faisal A, Koivo Heikki., “Multiobjective Genetic Algorithms for Online Management Problem of Microgrid”, Journal of International Review of Electrical Engineering (IREE) Vol. 3,no
1 . 2008, pp. 46-54.
Mohamed, Faisal A. "Microgrid modelling and online management." (2008).
M. A. Abido. Enverionmental/economic power dispatch using multiobjective evolutionary algorithms. IEEE Transactions on Power Syst, 18(4):1529 – 1537, November 2003. S. Bernow and D. Marron. Valuation of environmental externalities for energy planning and operations. In Tellus Institute Report 90-SB01 Boston, MA, May 1990.
M. Pipattanasomporn, M.Willingham, and S. Rahman. Implications of on-site distributed generation for commercial/industrial facilities. IEEE Transactions on Power Systems., 20(1):206 – 212,