Emission dan Economic Dispatch pada Sistem Kelistrikan Micro Grid Menggunakan Multiobjective Genetic Algorithm Optimization

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 batu

bara 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 Diesel

Level

Emission

Emisi

Persamaan

SO

2

CO

2

NO

X Generator Diesel Turbin Mikro Sel Bahan Bakar

Pembangkit

E(P) = total emisi generator berbahan bakar α_FC, α_MT, dan α_DG = koefisien non-negatif dari SO₂,

β_FC, β_MT, and β_DG = koefisien non-negatif dari CO₂, γ_FC, γ_MT, and γ_DG = 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 0.44

α = 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 Bakar

Pembangkit

Biaya operasi sel bahan bakar (

PEM Fuel

Cell

50

kW

)

 CF(P_FC) = total biaya operasi sel bahan bakar (R/h)

 C_nl = harga gas alam untuk menyuplai sel bahan bakar (R/kWh)  P_FC = 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(P_MT) = total biaya operasi turbin mikro (R/h)

 C_nl = harga gas alam untuk menyuplai turbin mikro (R/kWh)  P_MT = 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 %/

o

C



T

_C

= suhu sel (

o

C)

Pembangkitan Turbin Angin (AIR403)

 P_WT = daya keluaran dari turbin angin (W)  P_WT,r = rating daya = 130 W

 J = jumlah turbin angin terpasang  V_ci = kecepatan cut-in = 3.5 m/s  V_co = kecepatan cut-out = 18 m/s

 V_r = rating kecepatan angin = 17.5 m/s  V_ac = 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)  P_FCmax = daya maksimal dari sel bahan bakar = 50 kW

 P_MTmax = daya maksimal dari turbin mikro = 30 kW  P_DGmax = 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

o

C

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

o

C

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

o

C

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,