PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₁ ISSN 1907-0500

PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK

Azriyenni

Dosen Tetap Teknik Elektro Universitas Riau - Pekanbaru Abstrak

Penelitian ini menyelidiki mengenai pemprosesan alarm dalam suatu teknik Probabiliti Neural Network (PNN) dalam perlindungan sistem daya listrik. Pemprosesan alarm dalam perlindungan sistem daya listrik digambarkan sebagai masukan pola alarm. Ketika terjadi gangguan, peralatan perlindungan yang bekerja akan memberikan informasi gangguan dalam bentuk pola alarm. PNN mempunyai pola alarm sebagai masukan bagi setiap keluaran neuron. PNN juga bertanggung jawab untuk menghitung nilai keanggotaan dalam sistem komponen pada kelas komponen yang ada gangguan. Nilai keanggotaan ini bertujuan untuk menentukan keadaan ada gangguan atau tidak ada gangguan dalam pemprosesan alarm. Teknik ini telah diuji terhadap model sistem 9 bus. Hasil simulasi menunjukkan nilai keanggotaan menghampiri nilai ideal. Nilai keanggotaan ideal menunjukkan aplikasi terbaik dalam perlindungan sistem daya listrik.

Kata kunci: alarm, probabiliti neural network, perlindungan sistem daya listrik

Abstract

This research investigate alarm processing a technique of Probability Neural Network (PNN) in electric power system protection. Alarm processing in electric power system protection described as input alarm pattern. When fault occured, protective devices will give fault information in alarm pattern. PNN have alarm pattern as input for every output neuron. PNN also accountable for calculating membership value in component system at the component class faulted. This membership value aim to determine fault or non fault in alarm processing. This technique have been tested to system model of 9 bus. Simulation result show membership value described near ideal value. The ideal membership value show the application of best electric power system protection.

KeyWords : alarm, probability neural network, electric power system protection

1. Pendahuluan

Neural network (NN) digunakan secara meluas dalam berbagai bidang seperti industri, kesehatan, teknologi dan lain-lain. Aplikasi NN didalam sistem daya yang bekerja dan mengawal proses adalah seperti: kestabilan, pengawasan proses, analisis beban, analisis arus, analisis ketidaktentuan dan lain-lain. NN juga berupaya menggunakan suatu hasil analisis dalam mendeteksi gangguan dan dapat membedakan antara gangguan dan operasi normal dalam suatu sistem.

Bila gangguan terjadi dalam satu sistem daya, maka relay akan mendeteksi gangguan dan circuit breaker akan trip. Daerah gangguan dinilai dengan cara mendeteksi gangguan dari komponen dalam sistem daya listrik melalui penggunaan informasi dari operasi relay dan circuit breaker. Dalam kasus perlindungan sistem daya listrik yang sebenarnya terdapat berbagai kerumitan dalam daerah gangguan seperti operasi yang tidak normal oleh relay dan circuit

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₂ ISSN 1907-0500 breaker. Jika perlindungan utama tidak dapat bekerja maka perlindungan cadangan akan beroperasi sebagai menggantikannya [1].

Dalam kemajuan teknologi komputer, algoritma NN memproses dengan kelajuan tinggi yang dikembangkan untuk kalkulasi dalam menganalisis gangguan. Algoritma yang paling popular adalah pengetahuan dasar dan logika dasar. Sasaran NN adalah untuk menganalisis gangguan melalui penggunaan informasi dari relay dan circuit breaker. NN mempunyai berbagai macam jenis struktur rangkaian neural, namun struktur PNN akan digunakan dalam penelitian ini [3].

Di dalam analisis gangguan terhadap gangguan banyak akan dilakukan. Gangguan banyak adalah beberapa gangguan yang terjadi di beberapa kawasan yang terjadi pada masa yang sama.

2. Probabiliti Neural Network (PNN)

Struktur PNN ditunjukkan pada gambar 1 dimana ia terdiri dari tiga lapisan iaitu lapisan masukan, lapisan tersembunyi dan satu lapisan keluaran. Lapisan tersembunyi berfungsi sebagai pengaktifan yang dilakukan bagi jarak antara masukan yang tidak dikenali pada lembaran latihan. Gambar 1 menunjukkan bagaimana satu garis vektor masukan dikelaskan ke dalam salah satu dari dua kategori yaitu “kategori 1” untuk “gangguan” dan “kategori 2” untuk “tidak ada gangguan”. Masukan garis vektor X = [x1, x2, x3] bagi nod I1 hingga I3. Pada lapisan tersembunyi, rangkaian terdiri dari empat nod bermula dari H1 hingga H4, sesuai dengan empat lembaran dengan pemberat yang menghubungkan nod masukan. Keluaran pemberat adalah 1 untuk “kategori 1” dan 0 untuk “kategori 2”. Pemberat antara nod tersembunyi dan nod keluaran O1 untuk menghitung penjumlahan probabiliti yang sesuai hanya dengan “kategori 1”. Penjumlahan probabiliti dari H1 dan H2 dinilai melalui penggunaan persamaan (1) [4].

P = (H1 + H2)/(H1+H2+H3+H4) (1)

Gambar 1. Struktur PNN

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₃ ISSN 1907-0500 Perkembangan struktur dari PNN mempunyai masukan i dimulai dari nod I1 hingga In, K nod tersembunyi (K lembaran latihan), dan m keluaran nod antara O1 hingga Om. Algoritma PNN mempunyai dua langkah iaitu Langkah Pembelajaran dan Langkah memanggil kembali. A. Langkah pembelajaran PNN

Langkah 1 Untuk setiap lembaran latihan X(k), k = 1,2,….,K, menciptakan masukan pemberat IH

W antara nod masukan Ii dan nod tersembunyi Hk, ) ,...., 2 , 1 ( ) (k i n x wkiIH = i = (2) dengan

[ ]

kiIH pxn IH _w W = dan ( )

[

₁( ),..., ( ),..., ( )

]

k, n i k x k x k x k X =

{ }

0,1 ) (k ∈ x_i (3)

Langkah 2 Pemberat keluaran adalah “1” untuk “kategori 1” dan “0” untuk “kategori 2”. Pemberat keluaran _WHO _{antara nod tersembunyi}

k

H

dan keluaran tersembunyi O_joleh, ∈ ∈ = 2 , 0 1 , 1 kategori k kategori k wHO kj (4) dengan W

[ ]

wHO _pxm (j 1,2,....,m) kj HO _{= = (5)} iaitu, K = jumlah latihan n = dimensi X m = dimensi Y

B. Langkah memanggil kembali PNN

Langkah 1 Dapatkan pemberat rangkaian

W

IHdan

W

HO

Langkah 2 Menggunakan ujian vektor X = [x1,….,xi,….,xn] kepada rangkaian neural.

Langkah 3 Hitungan probabiliti dari pengujian vektor X dari fungsi Gauss fungsi jarak untuk mengukur antara vektor yang tak dikenali dan semua masukan latihan,

(

)

= − = n i IH ki i k x w net 1 2 (6) = − ₂ 2 exp

σ

k k net H (7) parameter pelincir

σ

1 =

σ

2= … =

σ

k =

σ

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₄ ISSN 1907-0500 Langkah 4 Kalkulasi jumlah dari probabiliti Oj oleh,

( 1) 1 kategori k H w O k k k HO kj j = ∈ = (8) k

H menjadi masuk Kategori 1.

Langkah 5 Membuat penjumlahan dari probabiliti dibagi dengan jumlah dari H_k. Probabiliti keluaran Pkadalah: = = _K k k j j H O P ob 1 Pr (9)

3. Model Sistem Daya Listrik

Gambar 2 menggambarkan konsep mengenai zon perlindungan. Zon perlindungan digunakan untuk menggambarkan zon perlindungan pada peranti perlindungan. Di dalam sistem ini terdapat 10 zon yang terdiri dari 5 saluran penghantar (L1-5, L4-5, L3-4, L2-5, L2-4), dan lima bus (bus 1 hingga bus 5). Setiap zon terdiri dari peralatan perlindungan di mana setiap circuit breaker tersedia kepada dua zon yang berdekatan. Zon perlindungan dengan peralatan perlindungan berfungsi untuk sesaat pada keadaan-keadaan tidak normal untuk menghindari gangguan yang terburuk. Peralatan ini juga menyediakan perlindungan cadangan terutama ketika perlindungan utama gagal untuk beroperasi.

Peralatan perlindungan beroperasi untuk mengurangkan risiko gangguan sistem komponen. Jika peralatan perlindungan utama gagal beroperasi maka perlindungan cadangan akan beroperasi untuk mengasingkan gangguan, adalah penting bagi zon perlindungan utama untuk mempunyai perlindungan cadangan. Sebagai contoh gangguan yang terjadi pada saluran penghantar 3 – 4 (dari bus 3 hingga bus 4), relay utama berhubungan dengan circuit breaker CB7 dan CB6. Jika relay perlindungan utama gagal beroperasi maka relay perlindungan cadangan akan bekerja iaitu CB4 dan CB12 [3], [5].

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₅ ISSN 1907-0500 Tabel 1 menunjukkan latihan peralatan perlindungan untuk bus dan saluran penghantaran. Di dalam tabel dibawah ini mempaparkan untuk banyak gangguan yang terdiri dari gangguan pada satu kawasan, gangguan pada dua kawasan dan gangguan pada tiga kawasan. Kemudian dipaparkan pula relay dan circuit breaker yang bekerja atau trip. Beberapa pengujian yang dilakukan untuk mendapatkan nilai keanggotaan berdasarkan algoritma PNN untuk mengaplikasikan persamaan (1) hingga persamaan (9).

Tabel 1. Beberapa pengujian untuk Sistem 5 Bus (Gangguan Banyak) Kasus 1: Banyak Gangguan

Sistem Komponen Relay & Circuit Breaker Alarm L1-5, L4-5 & Bas5

(gangguan pada tiga kawasan)

L1-5MP1 & L1-5MP5 bekerjab untuk trip CB2 & CB3, L4-5MP4 & L4-5MP5 bekerja untuk trip CB5 & CB4 dan MP5 bekerja Untuk trip CB3 & CB4

Operasi Normal

Kasus 2: Satu Gangguan

Komponen Sistem Relay & Circuit Breaker Alarm Bas4

(Gangguan tunggal dengan satu circuit

breaker trip)

MP4 bekerja untuk trip CB5, sedangkan

L2-4SP24 bekerja untuk trip CB9 CB6 gagal trip Kasus 3: Dua Gangguan

Komponen Sistem Relay & Circuit Breaker Alarm L2-4, L3-4

(Dua Gangguan dengan satu relay gagal

bekerja)

L2-4MP2 bekerja untuk trip CB12, L3-4MP3 bekerja untuk trip CB7 dan

L3-4MP4 bekerja untuk trip CB6

L2-4MP4 : tidak

bekerja

CB9 : tidak trip Kasus 4: Eror Pada Sistem Komunikasi

Komponen Sistem Relay & Circuit Breaker Alarm

Bus2 Tidak ada proses eror pada CB1 &

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₆ ISSN 1907-0500

4. Analisis Gangguan Menggunakan PNN

Apabila gangguan terjadi dalam sistem daya listrik, informasi dari pola alarm akan diterima dari pusat kontrol melalui SCADA selanjutnya gangguan akan dianalisis menggunakan latihan PNN. PNN akan memilih informasi alarm yang ada gangguan. Informasi yang dipilih merupakan masukan untuk struktur PNN. Nilai keanggotaan akan dihitung berdasarkan kepada algoritma PNN pada persamaan (1) sampai persamaan (9). Tabel 2 menunjukkan hasil pengujian untuk sistem 5 bus untuk banyak gangguan. Banyak Gangguan adalah gangguan yang terjadi pada dua atau lebih kawasan yang berbeda ketika terjadi pada masa yang sama. Di dalam Tabel 2 adalah hasil pengujian untuk sistem 5 bus, yang mana menunjukkan nilai yang terdiri dari nilai tertinggi dan nilai terendah. Setiap nilai ini menunjukkan gangguan atau probabiliti gangguan pada setiap sistem komponen. Nilai tertinggi menunjukkan gangguan pada sistem komponen dan nilai terendah menunjukkan probabiliti gangguan pada sistem komponen.

Tabel.2 Hasil Pengujian untuk Sistem 5 Bus (Banyak Gangguan) Kasus Pengujian

RN _Komponen Sistem saluran 1-5, _{saluran 4-5,}

Bus 5 Bus 4 Saluran 2-4, Saluran 3-4 Bus 2 Saluran 1-5 0.7143 0.0000 0.0000 0.0000 Saluran 4-5 0.7143 0.0000 0.0000 0.0000 RN1 Bus 5 0.8545 0.0000 0.0000 0.0000 Bus 4 0.0000 0.8545 0.0000 0.0000 RN2 Saluran 2-4 0.0000 0.7143 0.0000 0.0000 Saluran 2-4 0.0000 0.0000 0.7143 0.0000 RN3 Saluran 3-4 0.0000 0.0000 0.7143 0.0000 5. Kesimpulan

Mendeteksi gangguan dengan RN telah dikembangkan dalam tulisan ini. Alarm prosesing digunakan untuk mendeteksi gangguan pada perlindungan sistem daya listrik. Beberapa kelebihan PNN adalah:

a. Proses pengingatan dan pembelajaran sangat cepat. b. Tidak ada iterasi dalam proses pembelajaran.

c. Tidak ada perkiraan untuk kuantiti lapisan tersembunyi dan jumlah nod tersembunyi. d. Jumlah lembaran latihan yang terbatas.

e. Mampu melakukan penyesuaian terhadap perubahan rangkaian berdasarkan struktur rangkaian.

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₇ ISSN 1907-0500

Daftar Pustaka

1. Aygen Z. E, S Seker, M. Bagriyanik, F.G Bagriyanik, E Ayaz. “Fault Section Estimation in Electrical Power System Using Artificial Neural Network Approach”. 1999. IEEE Transaction on Power Systems Vol.14. No.1. 332-338.

2. De Souza, M.A.P Rodrigues, M.T Schiling, M.B.C Filho. “Fault Location in Electrical Power Systems Using Intelligent Systems Techniques”. 2001. IEEE Transactions on Power Delivery Vol.16. No.1. January. 222-228.

3. Lewis Blackburn. 1987. “Protective Relaying Principles and Application”. Marcel Dekker Inc.

4. Lin Min W, Lin C.H, Sun Z.C. 2004. Adaptive Multiple Fault Detection and Alarm Processing for Loop System with Probabilistic Network. IEEE Transactions on Power Delivery Vol.19. No.1. 64-69.

5. Protopas C.A, K.P Psaltiras, A.V Hachias. 1991. An Expert System for Sub Station Fault Diagnosis and Alarm Processing. IEEE Transaction on Power Delivery Vol.6. No.2. 648-655.

6. Veelenfurt LPJ. 1995. “Analysis and Applications of Artificial Neural Network”. London. Prentice Hall International (UK).

7. Zhang Q, Z Han, F Wen. “Rough Set Methods in Power System Fault Classification”. 2002. Proceedings of the 2002 Canadian Conference on Electrical & Computer Engineering. 100-104.

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₈ ISSN 1907-0500

Seminar Nasional Teknik Kimia Oleo & Petrokimia Indonesia 2008 ₉ ISSN 1907-0500