KOORDINASI PEMBANGKIT HYDRO-THERMAL JANGKA PENDEK MENGGUNAKAN SIMULATED ANNEALING.

(1)

SKRIPSI

Diajukan untuk memenuhi syarat mendapatkan gelar Sarjana Teknik Di Departemen Pendidikan Teknik Elektro Fakultas Pendidikan Teknologi dan

Kejuruan Universitas Pendidikan Indonesia

Oleh: Bagus Wicaksono

E.5051.1100008

PROGRAM STUDI TEKNIK ELEKTRO

DEPARTEMEN PENDIDIKAN TEKNIK ELEKTRO

FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN

(2)

THERMAL JANGKA PENDEK

MENGGUNAKAN SIMULATED

ANNEALING

Oleh

Muhammad Rizki

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Teknologi dan Kejuruan

Universitas Pendidikan Indonesia

Oktober 2015

Hak Cipta dilindungi undang-undang.

Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian,

(3)

(4)

Bagus Wicaksono,2015

KOORDINASI PEMBANGKIT HYDRO-THERMAL JANGKA PENDEK MENGGUNAKAN SIMULATED ANNEALING

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

KOORDINASI PEMBANGKIT HYDRO-THERMAL JANGKA PENDEK MENGGUNAKAN SIMULATED ANNEALING

Bagus Wicaksono E.5051.110008

ABSTRAK

Koordinasi pembangkit hidrotermal bertujuan untuk meminimalkan biaya total sistem operasi yang diwakili oleh biaya bahan bakar dan kendala selama optimisasi. Untuk melakukan optimisasi terdapat beberapa metode yang dapat digunakan. Simulated Annealing (SA) merupakan salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan optimisasi. Metode ini terinspirasi dari proses annealing atau pendinginan dalam pembuatan material yang terdiri dari butir kristal. Pada koordinasi pembangkit hidrotermal prinsip dasarnya yaitu pembangkit hidro dijadikan sebagai penopang beban dasar sedangkan pembangkit termal dijadikan sebagai penopang beban sisa. Penelitian ini menggunakan 2 unit pembangkit hidro dan 6 unit pembangkit termal 25 bus dengan memperhitungkan rugi-rugi transmisi dan mempertimbangkan batasan daya pada masing-masing unit pembangkit yang dibantu oleh software MATLAB dalam penyelesaiannya. Koordinasi pembangkit hidrotermal menggunakan simulated annealing menghasilkan biaya total pembangkitan selama 24 jam sebesar $ 13288508.01.

(5)

COORDINATION OF SHORT TERM HYDROTHERMAL USING SIMULATED ANNEALING

Bagus Wicaksono E.5051.1100008

ABSTRACT

Hydrothermal power plant coordination aims to minimize the total cost of operating system that is represented by fuel cost and constraints during optimization. To perform the optimization, there are several methods that can be used. Simulated Annealing (SA) is a method that can be used to solve the optimization problems. This method was inspired by annealing or cooling process in the manufacture of materials composed of crystals. The basic principle of hydrothermal power plant coordination includes the use of hydro power plants to support basic load while thermal power plants were used to support the remaining load. This study used two hydro power plant units and six thermal power plant units with 25 buses by calculating transmission losses and considering power limits in each power plant unit aided by MATLAB software during the process. Hydrothermal power plant coordination using simulated annealing plants showed that a total cost of generation for 24 hours is $ 13,288,508.01.

(6)

(7)

4.1.2 Karakteristik Input-Ouput Pembangkit Termal ... 23

4.2 Optimisasi Menggunakan Simulated Annealing ... 26

4.3 Koordinasi Pembangkit Hidrotermal ... 30

BAB V SIMPULAN, IMPLIKASI DAN REKOMENDASI ... 33

5.1 Simpulan ... 33

5.2 Implikasi ... 33

5.3 Rekomendasi ... 34

DAFTAR PUSTAKA ... 35

(8)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB I

PENDAHULUAN

1.1 Latar Belakang Penelitian

Pada saat ini penjadwalan pembangkit hidro dan termal dengan cara yang

paling ekonomis merupakan hal terpenting dalam sistem tenaga modern untuk

memenuhi kebutuhan dalam pasar energi (Cherian, 2008). Tujuan utama dari

optimisasi pembangkit hidrotermal adalah meminimalkan biaya total sistem

operasi yang diwakili oleh biaya bahan bakar, kendala pembangkit hidro dan

pembangkit termal selama waktu optimisasi (Monte et al., 2009). Penjadwalan

pembangkit hidrotermal memiliki konsep dasar yaitu memaksimalkan pembangkit

hidro dan meminimalkan produksi pembangkit termal, sehingga menjamin

keandalan dan pasokan daya secara ekonomis.

Beberapa tahun terakhir ada beberapa metode yang digunakan oleh para

peneliti untuk menyelesaikan masalah optimisasi, seperti interactive fuzzy

satisfying method, improved genetic algorithm (IGA), modified NSGA-II,

differential evolution, simulated annealing (SA), particle swarm optimization

technique, improved quantum-behaved particle swarm optimization, differential

evolution with adaptive Cauchy mutation, bacterial foraging algorithm, mixed

integer programming dan sebagainya (Xingwen et al., 2013).

Algoritma SA diperkenalkan oleh Metropolis pada tahun 1953 yang

beranalogikan pada proses annealing (pendinginan) yang diterapkan dalam

pembuatan material yang terdiri dari butir kristal. Metropolis menggunakan

beberapa variabel dalam penjadwalan pendingin untuk mengontrol proses

pencarian (Chen et al., 2011). Algoritma simulated annealing dalam melakukan

pendekatan economic dispatch membutuhkan beberapa parameter agar

menghasilkan solusi dalam penjadwalan unit pembangkit (Encinas et al., 2007).

Dalam penelitian ini hasil optimisasi dengan menggunakan simulated

annealing diharapkan dapat mememberikan hasil optimisasi yang optimal dalam

koordinasi pembangkit hidrotermal 500 kV Jawa-Bali. Hasil penelitian ini

(9)

pengoperasian pembangkitan tenaga listrik, guna mendapatkan tingkat

keekonomisan pembangkitan yang optimal.

1.2 Rumusan Masalah Penelitian

Data yang akan digunakan dalam penelitian ini adalah data pembangkitan

listrik sistem 500 kV Jawa-Bali. Agar penulisan tidak keluar dari fokus

bahasannya maka diperlukan suatu batasan masalah, adapun

batasan-batasan masalah tersebut akan dirumuskan sebagai berikut:

1. Bagaimana prosedur penyusunan karakteristik input-output pembangkit pada

permasalahan koordinasi pembangkit hidrotermal?

2. Bagaimana mengolah data pembangkitan yang ada menjadi nilai dan

parameter pada metode simulated annealing?

3. Bagaimana hasil koordinasi pembangkit hidrotermal setelah dilakukan

optimisasi menggunakan simulated annealing?

1.3 Tujuan Penelitian

Sejalan dengan rumusan masalah di atas, penulisan skripsi ini memiliki

tujuan yang ingin dicapai adalah:

1. Mengetahui prosedur penyusunan karakteristik input-output pembangkit pada

permasalahan koordinasi pembangkit hidrotermal.

2. Mengetahui proses pengolahan data-data pembangkitan yang dijadikan nilai

dan parameter pada metode simulated annealing.

3. Menganalisis hasil penelitian mengenai koordinasi pembangkit hidrotermal

dengan menggunakan simulated annealing.

1.4 Manfaat/Signifikansi Penelitian

Dalam sebuah penelitian tentunya diharapkan adanya manfaat yang akan

diperoleh, adapun manfaat yang ingin dicapai atau diharapkan adalah sebagai

berikut:

1. Manfaat bagi peneliti

a. Mengevaluasi hasil belajar dan menerapkannya ke dalam hal yang lebih

(10)

b. Mengetahui seluruh proses yang terjadi pada unit commitment dan

economic dispatch sehingga mengetahui berapa besar optimisasi yang

terjadi,

c. Mengetahui bagaimana metode simulated annealing dalam melakukan

optimisasi pembangkitan tenaga listrik,

2. Manfaat bagi universitas

a. Menggunakan hasil peneltian sebagai bahan ajar,

b. Menggunakan hasil penelitian sebagai referensi untuk tugas akhir

berikutnya,

c. Memberi tambahan karya ilmiah yang dapat bermanfaat bagi pembaca.

3. Manfaat bagi PLN

a. Hasil penelitian dapatdijadikan referensi untuk proses yang lebih baik lagi,

b. Semoga dapat lebih mempermudah lagi dalam membantu mahasiswa

mendapatkan keperluan penelitian.

1.5 Struktur Organisasi Skripsi

Dalam penelitian ini, penulis membagi ke dalam lima bab utama,

diantaranya: Bab I Pendahuluan yang terdapat subbab latar belakang, rumusan

masalah, tujuan penelitian, manfaat penelitian, dan struktur organisasi skripsi. Bab

II Kajian pustaka yang berisi penjelasan mengenai penjadwalan pembangkit

hidrotermal, koordinasi pembangkit hidrotermal, dan simulated annealing. Bab III

Metode penelitian, dalam bab ini terdiri dari alur penelitian yang dilakukan mulai

dari mendapat data sampai dengan mengolah data tersebut. Bab IV temuan dan

pembahasan berisi garis besar hasil penelitian, pemaparan dan pembahasan data

sehingga dapat ditarik kesimpulan. Bab V simpulan, implikasi dan rekomendasi

yang menyajikan penafsiran dan pemaknaan peneliti terhadap hasil analisis

temuan penelitian serta mengajukan hal-hal penting yang dapat dimanfaatkan dari

(11)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB III

METODE PENELITIAN

3.1 Sumber Data Penelitian

Penelitian ini akan difokuskan pada penjadwalan pembangkit tenaga listrik

berkapasitas besar (slack bus) dengan data primer yang diperlukan adalah data

pengeluaran beban listrik dari Penyaluran dan Pusat Pengaturan Beban (P3B) PT.

PLN Persero Jawa-Bali, data yang digunakan merupakan data sistem interkoneksi

500 kV Jawa-Bali yang terdiri dari 25 bus dan 8 pembangkit yang terdiri dari 2

pembangkit hidro dan 6 pembangkit termal, yaitu Cirata, Saguling, Suralaya,

Muaratawar, Tanjung Jati, Gresik, Paiton dan Grati. Untuk mempermudah analisis

data penelitian ini, maka dapat dibuat terlebih dahulu pemodelan sistem

konfigurasi interkoneksi 500 kV Jawa-Bali yang dapat dilihat pada gambar 3.1.

Suralaya

(12)

Dalam penelitian ini, asumsi yang digunakan dalam perhitungan

koordinasi pembangkit hidrotermal sebagai berikut:

a. Semua unit pembangkit dalam kondisi siap ‘running’ ketika dimasukkan ke dalam sistem

b. Adanya batas minimum dan maksimum pembangkit setiap pembangkit

c. Nilai rugi-rugi transmisi dihitung dalam melakukan optimisasi menggunakan

simulated annealing.

3.1.1 Data Bus

Agar mempermudah identifikasi dan analisis data penelitian, maka dari

gambar 3.1 dapat diklasifikasikan 25 tersebut ke dalam 2 bus yaitu bus

pembangkit dan bus beban. Tabel 3.1 merupakan hasil pengklasifiksian bus-bus

yang ada di dalam sistem 500 kV.

Tabel 3.1 Pengklasifikasian bus sistem 500 kV

No.Bus Pembangkit Jenis

Pembangkit No. Bus Beban

Untuk dapat menyelesaikan persamaan rugi-rugi transmisi, maka

(13)

Tabel 3.2 Data bus sistem 500 kV Jawa-Bali

Load Generator Injected

(14)

(15)

Data yang dibutuhkan untuk perhitungan koordinasi hidrotermal yaitu

batasan pengoperasian setiap pembangkit. Adapun batas minimum dan

maksimum pembangkit yang beroperasi pada sistem interkoneksi 500 kV

Jawa-Bali dapat dilihat pada tabel 3.2.

Tabel 3.4 Batas minimum dan maksimum pembangkit

Pembangkit P min

Selanjutnya perhitungan dilakukan dengan mencari nilai karakteristik dari

unit pembangkit hidro dan pembangkit termal. Fungsi polynomial digunakan

untuk mencari persamaan karakteristik dari pembangkit hidro dan termal. Untuk

pembangkit hidro, karakteristik didapatkan setelah memasukkan empat nilai

percobaan debit air terhadap kapasitas pembangkitan. Data debit air pembangkit

hidro dapat dilihat pada tabel 3.3.

Untuk pembangkit termal, karakteristik didapatkan dengan mengolah

empat titik heat rate yang diperoleh dari hasil percobaan. Persamaan biaya bahan

bakar dari setiap unit pembangkit termal dapat diketahui setelah persamaan

karakteristik yang telah kita dapat dikalikan dengan biaya bahan bakar. Data

(16)

Tabel 3.6 Data heat rate pembangkit termal

No Bus

Daya Pembangkitan (MW) Heat-Rate (Btu/kWh)

1 2 3 4 1 2 3 4

dengan interval data pembebanan 1 jam dapat dilihat pada tabel 3.5.

Tabel 3.7 Data pembebanan selama 24 jam

Pukul Saguling Cirata Suralaya Muaratawar Tanjung Jati Gresik Paiton Grati

(17)

24.00 95.47 63 2961 720.03 1973 513.84 2863 292.2

Dari data pembebanan tiap pembangkit setiap satu jam terlihat kenaikan

atau penurunan beban untuk tiap-tiap jamnya tidak terlalu jauh berbeda.

Berdasarkan data tersebut maka penulis membuat pembebanan rata-rata setiap 3

jam sekali dalam 1 perode yang dapat dilihat pada gambar 3.2.

Gambar 3.2 Grafik beban harian pembangkit hidrotermal

(Senin, 9 September 2013)

Data beban harian dibagi menjadi 8 periode, dimana setiap periodenya

merupakan beban rata-rata selama 3 jam. Dari gambar dapat dilihat bahwa beban

puncak berada pada periode 7, yaitu pukul 19.00–21.00 WIB dengan nilai beban

mencapai 10895,27 MW dan beban minimal terjadi pada periode 1, yaitu pukul

01.00–03.00 WIB dengan nilai beban rata-rata sebesar 7460,51 MW.

Tabel 3.8 Pembagian periode waktu

1-3 4-6 7-9 10-12 13-15 16-18 19-21 22-24

B

(18)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu 3.2 Perangkat Penelitian

Penelitian mengenai optimisasi pembangkitan hidrotermal dapat

dilakukan dengan sistem komputerisasi. Penelitian ini dilakukan dengan

menggunakan laptop yang memiliki spesifikasi OS yang digunakan Microsoft

Windows 7 Home Premium 64-bit dan Processor Intel ® Core ™ i3 CPU.

Penelitian ini juga ditunjang dengan beberapa software yang bertujuan untuk

membantu penulis dalam melakukan optimisasi pembangkitan hidrotermal.

Adapun software yang digunakan diantaranya Microsoft Excel, Microsoft Word,

MATLAB, dan Mendeley.

3.3 Prosedur Penelitian

Agar penulisan dalam penelitian ini lebih terarah dan sistematis, maka di

bawah ini merupakan diagram alir dari penelitian skripsi dan algoritma simulated

annealing yang menunjukkan langkah-langkah dari optimisasi pembangkitan

hidrotermal namun tetap memperhatikan batasan-batasan yang ada dalam sistem

dan pembangkitan tenaga listrik.

MULAI

Studi Literatur

Pengumpulan Data

Pengolahan Data

Analisis

Hasil Optimal

SELESAI Tidak

(19)

Gambar 3.3 Diagram alir penelitian skripsi

Start

Inisialisasi Parameter

Inisialisasi nilai kontrol

parameter

Iterasi k = 1

Solusi Xj Total Cost TCj

TCj ≤ TCi

ΔC = TCj - TCi

Iterasi Selesai

Solusi Optimal Ya

Stop Ya

Tidak

Tidak k = k + 1

Gambar 3.4 Diagram alir algoritma simulated annealing

Penelitian menggunakan metode simulated annealing mempunyai tahapan

(20)

Langkah 1 : Tentukan kemungkinan solusi yang layak dengan memasukan data

berupa fungsi objektif dan fungsi kendala.

Langkah 2 : Atur nilai parameter control atau jumlah iterasi maksimal yang

akan dilakukan, pada metode ini jumlah iterasi ditentukan oleh

nilai suhu temperaturnya.

Langkah 3 : Mulai iterasi pertama

Langkah 4 : Mendapatkan solusi awal Xj dan jumlah dari fungsi biaya TCj

Langkah 5 : Jika TCj ≤ TCi maka Xi = Xj dan TCj = TCi Lanjutkan ke langkah

berikutnya. Jika tidak hitung nilai deviasi biaya ∆C = TCj – Tci

sehingga mendapat nilai Xi

Langkah 6 : Lakukan proses tersebut sampai iterasi terakhir.

Langkah 7 : Mendapatkan solusi optimal

(21)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB V

SIMPULAN, IMPLIKASI DAN REKOMENDASI

5.1 Simpulan

Berdasar pada pembahasan dan temuan yang didapatkan dalam penelitian

ini maka beberapa hal dapat disimpulkan terkait dengan rumusan masalah yang

telah ditentukan. Simpulan pertama, mengenai karakteristik input-output untuk

pembangkit hidro dipengaruhi oleh debit air setiap pembangkit hidro, sehingga

didapat daya output yang dapat dibangkitkan dan untuk pembangkit termal

diperoleh dari heat rate masing-masing unit pembangkit termal kemudian

diperoleh fungsi biaya dari setiap unit pembangkit termal serta parameter saluran

yang digunakan dalam perhitungan optimisasi pembangkit termal. Kedua, pada

optimisasi pembangkit termal menggunakan metode simulated annealing dapat

menggunakan software MATLAB dengan menentukan parameter pada toolbox

atau membuat script pada command window. Adapun parameter untuk optimisasi

pembangkit termal diantaranya fungsi biaya bahan bakar masing-masing unit

pembangkit, batasan daya keluaran masing-masing unit pembangkit, koefisien

pada rugi-rugi transmisi serta permintaan beban yang dibutuhkan. Ketiga, terkait

pembagian beban dari pembangkit hidro dan pembangkit termal dimana

pembangkit hidro dijadikan sebagai penopang beban dasar sedangkan pembangkit

termal menopang beban sisa yang tak dapat ditopang oleh pembangkit hidro, hasil

optimisasi menggunakan simulated annealing menunjukan bahwa total biaya

operasional yang didapat sebesar $ 13288508,01.

5.2 Implikasi

Koordinasi pembangkit hidrotermal mempertimbangkan pembagian beban

antara pembangkit hidro dan pembangkit termal, pembagian beban menggunakan

metode simulated annealing dapat menjadi salah satu pilihan dalam mengatur

daya keluaran pada masing- masing unit pembangkit.

Hasil yang diperlihatkan pada koordinasi pembangkit hidrotermal

(22)

masukan dalam melakukan optimisasi pada pembangkitan agar mendapat hasil

yang optimal guna memenuhi kebutuhan beban.

5.3 Rekomendasi

Koordinasi pembangkit hidro termal menggunakan simulated annealing

dapat digunakan sebagai pembanding dalam melakukan optimisasi pembangkitan,

semoga menjadi pertimbangan penggunaan metode ini untuk melakukan

optimisasi pembangkit untuk penelitian maupun penerapan di lapangan khususnya

oleh PT. PLN P3B Jawa-Bali. Rekomendasi lain yang didapatkan dalam

penelitian ini ialah untuk melakukan pengembangan terhadap metode simulated

annealing hasilnya akan lebih optimal jika dilakukan prediksi beban terlebih

(23)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR PUSTAKA

Araujo, T. D. F., Uturbey, W., & Nunes, L. C. (2013). Short-Term Hydrothermal Dispatch and Demand Management with Evolutionary Algorithms. 12th International Conference on Environment and Electrical Engineering, EEEIC 2013, (1), 259–264. http://doi.org/10.1109/EEEIC.2013.6549627

Bilbao, M., & Alba, E. (2009). Simulated annealing for optimization of wind farm annual profit. 2009 2nd International Symposium on Logistics and Industrial

Informatics, LINDI 2009, 0(2), 1–5.

http://doi.org/10.1109/LINDI.2009.5258656

Chang, W. C. W. (2010). Optimal Scheduling of Hydrothermal System Based on Improved Particle Swarm Optimization. Power and Energy Engineering

Conference (APPEEC), 2010 Asia-Pacific, 1–4.

http://doi.org/10.1109/APPEEC.2010.5448307

Chen, P.-H. (2008). Pumped-Storage Scheduling Using Evolutionary Particle Swarm Optimization. IEEE Transactions on Energy Conversion. http://doi.org/10.1109/TEC.2007.914312

Chen, Z., & Luo, P. (2011). QISA: Incorporating quantum computation into Simulated Annealing for optimization problems. 2011 IEEE Congress of

Evolutionary Computation, CEC 2011, 2480–2487.

http://doi.org/10.1109/CEC.2011.5949925

Cherian, S. (2008). Hydro Thermal Scheduling using Particle Swarm Optimization. In Transmission and Distribution Conference and Exposition, 2008. T&D. IEEE/PES (pp. 1–5). http://doi.org/10.1109/TDC.2008.4517221

Dahal, K. P., Burt, G. M., McDonald, J. R., & Galloway, S. J. (2000). GA/SA-based hybrid techniques for the scheduling of generator maintenance in power systems. Proceedings of the 2000 Congress on Evolutionary

Computation. CEC00 (Cat. No.00TH8512), 1.

http://doi.org/10.1109/CEC.2000.870347

Dai, E., & Turkay, B. E. (2009). Power Dispatch of Hydrothermal Coordination using Evolutionary Algorithm. 2009 International Conference on Electrical and Electronics Engineering - ELECO 2009, 2(15), 392–395.

Dasgupta, K. (2014). Short-Term Hydrothermal Scheduling Using Particle Swarm Optimization with Constriction Factor and Inertia Weight Approach. Automation, Control, Energy and System (ACES), 2014 First International Conference on, 1–6. http://doi.org/10.1109/ACES.2014.6808021

(24)

Programming and Genetic Algorithms. IEEE Porto Power Tech Proceedings, 3, 6. http://doi.org/10.1109/PTC.2001.964887

Diniz, A. L., Sagastizábal, C., & Maceira, M. E. P. (2007). Assessment of lagrangian relaxation with variable splitting for hydrothermal scheduling. In 2007 IEEE Power Engineering Society General Meeting, PES (pp. 1–8). http://doi.org/10.1109/PES.2007.386246

Duncan, R. a., Seymore, G. E., Streiffert, D. L., & Engberg, D. J. (1985). Optimal Hydrothermal Coordination for Multiple Reservoir River Systems. IEEE Transactions on Power Apparatus and Systems, PAS-104(5), 1154–1159. http://doi.org/10.1109/TPAS.1985.323467

El-Hawary, M. E. (1982). Optimum Operation of Fixed-Head Hydro-Thermal

Electric Power Systems: Powell’s Hybrid Method Versus Newton-Raphson

Method. IEEE Transactions on Power Apparatus and Systems, PAS-101(3), 547–554. http://doi.org/10.1109/TPAS.1982.317267

Erkmen, I., & Karatas, B. (1994). Short-Term Hydrothermal Coordination by using Multi-Pass Dynamic Programming with Successive Approximation.

Proceedings of MELECON ’94. Mediterranean Electrotechnical Conference,

3, 925–928. http://doi.org/10.1109/MELCON.1994.380950

Farhat, I. A. (2011). Short-term Coordination of Hydro-Thermal Systems with Cascaded Reservoirs using Bacterial Foraging Algorithm. Electrical and Computer Engineering (CCECE), 2011 24th Canadian Conference on, 11, 000430 – 000435.

Farhat, I. A., & El-Hawary, M. E. (2009a). Optimization Methods Applied for Solving the Short-Term Hydrothermal Coordination Problem. Electric Power

Systems Research, 79(9), 1308–1320.

http://doi.org/10.1016/j.epsr.2009.04.001

Farhat, I. A., & El-Hawary, M. E. (2009b). Short-term Hydro-Thermal Scheduling using an Improved Bacterial Foraging Algorithm. In Electrical Power &

Energy Conference (EPEC), 2009 IEEE (pp. 1–5).

http://doi.org/10.1109/EPEC.2009.5420913

Farhat, I. A., & Member, S. (2010). Fixed-Head Hydro-Thermal Scheduling Using a Modified Bacterial Foraging Algorithm. Electrical Power and

Energy Conference (EPEC), 2010 IEEE, 10, 1 – 6.

http://doi.org/10.1109/EPEC.2010.5697200

Farhat, I. A., & El-Hawary, M. E. (2009). Short-term Hydro-Thermal Scheduling using an Improved Bacterial Foraging Algorithm. In Electrical Power &

Energy Conference (EPEC), 2009 IEEE (pp. 1–5).

(25)

Gil, E., Bustos, J., & Rudnick, H. (2003). Shor-Term Hydrothermal Generation Scheduling Model using a Genetic Algorithm. IEEE Transactions on Power Systems, 18(4), 1256 – 1264. http://doi.org/10.1109/TPWRS.2003.819877

Monte, B., Soares, S., & Member, S. (2009). Fuzzy Inference Systems Approach for Long Term Hydrothermal Scheduling. Power Systems Conference and

Exposition, 2009. PSCE ’09. IEEE/PES, 1–7.

http://doi.org/10.1109/PSCE.2009.4840020

Nabona, N., Castro, J., & Gonzalez, J. a. (1995). Optimum Long-Term Hydrothermal Coordination with Fuel Limits. IEEE Transactions on Power Systems, 10(2), 1054–1062. http://doi.org/10.1109/59.387951

Rashtchi, V., Bayat, A., & Vahedi, R. (2009). Adaptive Step Length Bacterial Foraging Algorithm. Intelligent Computing and Intelligent Systems, 2009. ICIS 2009. IEEE International Conference on, 1, 322–326. http://doi.org/10.1109/ICICISYS.2009.5357834

Ružić, S. (1998). Optimal Distance Method for Lagrangian Multipliers Updating

in Short-Term Hydro-Thermal Coordination. IEEE Transactions on Power Systems, 13(4), 1439–1444. http://doi.org/10.1109/59.736287

Salam, S. (1997). Comprehensive Algorithm for Hydrothermal Coordination. IEEE Proceedings Generation Transmission and Distribution, 144(5), 482 – 488. http://doi.org/10.1049/ip- gtd:19970819

Simopoulos, D., & Kavatza, S. (2005). Consideration of ramp rate constraints in unit commitment using simulated annealing. 2005 IEEE Russia Power Tech, PowerTech. http://doi.org/10.1109/PTC.2005.4524359

Soares, S. (1980). Optimal Generation Scheduling of Hydrothermal Power System. IEEE Transactions on Power Apparatus and Systems, PAS-99(3), 1107–1118. http://doi.org/10.1109/TPAS.1980.319741

Tong, S. K., & Shahidehpour, S. M. (1990). Hydrothermal Unit Commitment with Probabilistic Constraints using Segmentation Method. IEEE Transactions on Power Systems, 5(1), 276–282. http://doi.org/10.1109/59.49117

Vahedi, H., Hosseini, S. H., & Noroozian, R. (2010). Bacterial Foraging Algorithm for Security Constrained Optimal Power Flow. Energy Market (EEM), 2010 7th International Conference on the European, 1–6. http://doi.org/10.1109/EEM.2010.5558709

Watchorn, C. W. (1967). Inside Hydrothermal Coordination. IEEE Transactions

on Power Apparatus and Systems, PAS-86(1), 106 – 117.

(26)

Wong, K. P., Member, S., & Wong, Y. W. (1997). Hybrid Genetic/Simulated Annealing Approach To Short-Term Multiple-Fuel-Constrained Generation Scheduling. IEEE Transactions on Power Systems, (2), 776–784.

Xingwen, J., & Jianzhong, Z. (2013). Hybrid DE-TLBO Algorithm for Solving Short Term Hydro-thermal Optimal Scheduling with Incommensurable Objectives. Control Conference (CCC), 2013 32nd Chinese, (1), 2474–2479.

Xiong-fa, M. A. I. (2012). Bacterial Foraging Algorithm Based on Gradient Particle Swarm Optimization Algorithm. Natural Computation (ICNC), 2012

Eighth International Conference on, (Icnc), 1026–1030.

http://doi.org/10.1109/ICNC.2012.6234588

Yan, H., Luh, P. B., Guan, X., & Rogan, P. M. (1994). Scheduling of Hydrothermal Power Systems Using the Augmented Lagrangian Decomposition and Coordination Technique. American Control Conference, 1994, 2, 1558–1562. http://doi.org/10.1109/ACC.1994.752331

Yang, J. S., & Chen, N. (1989). Short Term Hydrothermal Coordination using Multi-Pass Dynamic Programming. IEEE Transactions on Power Systems, 4(3), 1050–1056. http://doi.org/10.1109/59.32598

Zhu, Y., Jian, J., Wu, J., & Yang, L. (2013). Global Optimization of Non-Convex Hydro-Thermal Coordination Based on Semidefinite Programming. IEEE

Transactions on Power Systems, 28(4), 3720–3728.