A.N. Afandi Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang ABSTRAK

APLIKASI INTELIJEN KOMPUTASI TERBARU PADA DINAMIKA OPERASI EKONOMIS SISTEM TENAGA

A.N. Afandi

Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang

an.afandi@ieee.org, an.afandi@ymail.com

ABSTRAK

Sistem tenaga listrik secara praktis dioperasikan dengan menggunakan berbagai variasi kombinasi unit-unit pembangkit, hal ini digunakan untuk memenuhi perubahan permintaan beban pada setiap periode operasi selama 24 jam. Selain itu, strategi ini juga digunakan agar dicapai operasi sistem yang paling ekonomis. Secara umum, operasi ekonomis dapat dilakukan dengan penjadualan komitmen unit pembangkit dengan menerapkan alokasi daya keluaran yang sesuai permintaan beban untuk meminimalkan total biaya dengan mempertimbangkan semua bantasan operasional yang ditentukan. Total biaya operasi dapat ditetapkan melalui dinamika operasi ekonomis (DOE) dengan mempertimbangkan semua permintaan beban pada semua periode waktu operasi. Pada artikel ini, persoalan DOE diselesaikan dengan menggunakan algoritma harvest season

artificial bee colony (HSABC) untuk periode operasi 24 jam dengan menggunakan IEEE-30 bus sistem, batasan-batasan operasional, dan proteksi lingkungan. Berdasarkan hasil

yang dicapai, bahwa algoritma HSABC mendapatkan solusi optimal dengan siklus yang cepat. Selain itu, komputasinya juga berlangsung dengan halus tercermin pada karakterisk kecepatan konvergenitas yang stabil. Algoritma HSABC menyelesaikan masalah DOE dengan perbedaan hasil pada kecepatan, daya keluaran, dan total biaya operasi, untuk setiap waktu operasi selama 24 jam. Secara detail, proses komputasi pertama dilakukan dengan kisaran 10 siklus untuk mendapatkan solusi optimal sebesar 1.334,66 $ dan memperoleh total daya keluaran sebesar 249,36 MW dari kombinasi 6 unit pembangkit yang tergabung dalam sistem operasi. Selanjutnya, DOE membutuhkan biaya sekitar 50.821,73 $ untuk memsuplai permintaan beban selama 24 jam, dengan daya yang dibangkitkan sekitar 242,05 MW pada jam ke 24.00. Selain itu, solusi optimal DOE selama 24 jam dicapai sekitar 10 sampai 19 siklus dengan menggunakan algoritma HSABC.

Kata kunci : algoritma HSABC, dinamika, komputasi, operasi ekonomis, sistem tenaga PENDAHULUAN

Secara praktis, sistem tenaga listrik dibangun dengan menggunakan struktur interkoneksi untuk menyediakan energi listrik bagi beban-beban yang tersebar di berbagai area pelanggan. Sistem ini dapat dikelompokan dalam bagian utama yang mencakup sistem pembangkitan, sistem transmisi, dan sistem distribusi yang melingkupi pusat-pusat beban. Salah satu tujuan utama dari struktur interkoneksi ini adalah untuk mengurangi biaya operasional melalui kombinasi berbagai tipe pembangkit yang digunakan, selain itu juga untuk meningkatkan keandalan dan lainnya. Pengurangan biaya operasi dapat ditentukan dengan pembagian produksi daya ke masing-masing unit pembangkit dengan mengacu pada total daya beban, yaitu dikenal dengan nama economic load dispatch (ELD). Tujuan utama ELD adalah untuk menjadualkan daya keluaran masing-masing unit pembangkit yang diintegrasikan dalam sistem interkoneksi dengan berbasiskan pada total biaya minimum yang dibatasi oleh berbagai kendala operasional (H. Chahkandi, 2011), (M.A. Abido, 2006), (Samir Sayah, 2006). Dewasa ini, sejak meningkatnya upaya perlindungan lingkungan dari berbagai polusi atmosfir, maka ELD mulai mempertimbangkan emisi polusi dari proses pembakaran bahan

bakar fosil yang digunakan pada berbagai pembangkit-pembangkit termal (Yunzhi Cheng, 2009). Selain itu, dengan disepakatinya Clean Air Act Amendments pada tahun 1990, semakin menjadikan operasi sistem tenaga listrik harus memodifikasi strategi operasi bagi pembangkit-pembangkit termal dengan memasukan persoalan kontribusi polusi udara melalui emission dispatch (EmD), sebagai upaya mengurangi produksi polusi dari operasi sistem tenaga listrik.

Dengan mempertimbangkan EmD, masalah ELD menjadi salah satu persoalan yang krusial untuk dioptimasi, dengan target utama total biaya operasi yang minimum sekaligus pengurangan produksi polusi bagi setiap unit pembangkit (Fahad S, 2011). Secara umum, masalah ELD dan EmD dapat ditransformasikan menjadi suatu fungsi tunggal sebagai tujuan optimasi melalui rumusan combined economic and emission

dispatch (CEED) yang berorientasi pada minimasi biaya bahan bakar dan pengurangan produksi polusi. Saat

ini, banyak riset-riset telah dilakukan dan sukses diterapkan untuk menyelesaikan persoalan-persoalan CEED dengan variasi problem yang beragam (A.A. El-Keib, 1994), (R.Gopalakrishnan, 2011), (Yong Fu, 2006). Secara operasional, dengan difokuskannya pada total biaya selama rentang periode operasi, maka sistem tenaga listrik dioperasikan dengan berbasiskan pada total biaya minimal untuk setiap alokasi daya keluaran bagi unit commitment selama 24 jam beroperasi. Unit-unit pembangkit akan melayani sejumlah permintaan daya beban pada durasi waktu tertentu selama beroperasi 24 jam. Secara praktis, permintaan daya beban akan berfluktuasi dari kondisi jam sebelumnya ke kondisi jam berikutnya selama 24 jam beroperasi. Dengan demikian, persoalan operasional tersebut akan berlangsung secara dinamis dari waktu ke waktu. Terkait dengan kondisi ini, maka situasi ini juga akan berdampak pada penjadualan daya keluaran setiap unit pembangkit yang tergabung dalam sistem interkoneksi, dan akan berakibat pada bervariasinya biaya pembangkitan selama memproduksi daya keluaran, dan juga akan berdampak pada dinamika operasi ekonomis (DOE) untuk mengkoordinasikan seluruh unit pembangkit. Oleh karena itu, persoalan ELD and EmD menjadi masalah dinamika yang terkait langsung dengan perubahan kondisi permintaan daya beban setiap waktu dan hal ini menjadi persoalan DOE yang sangat penting bagi sistem tenaga listrik dalam menyediakan energi listrik dengan orientasi total biaya minimum dengan kwalitas performasi teknis yang telah ditetapkan.

Kedinamisan persoalan CEED sebagaimana dalam DOE yang berlangsung selama 24 jam harus dapat memberikan biaya operasi yang paling minimal dan harus memenuhi semua kriteria teknis yang telah ditetapkan untuk mendukung kelangsungan sistem tenaga listrik. Untuk mengatasi situasi dinamis ini, persoalan CEED diakomodasi menjadi suatu permasalahan dynamic economic dispatch (DED), dengan mempertimbangkan dinamika perubahan daya beban dan berbagai batasan-batasan operasional selama 24 jam. Dalam masalah DOE, setiap perubahan daya beban akan mempengaruhi DED dari unit-unit pembangkit yang tergandeng pada sistem. Selain itu, daya keluaran unit-unit pembangkit diproduksi dengan mempertimbangkan berbagai batasan operasional dan ramp limits bagi masing-masing unit pembangkit yang sedang bekerja. Ramp limits ini digunakan untuk membatasi setiap perubahan daya keluaran pada unit-unit pembangkit, agar tetap berada pada rentang perubahan daya keluaran yang diijinkan bagi setiap perubahan jam operasi. Saat ini DED menjadi salah satu isu utama dalam DOE real time pada sistem tenaga listrik yang

bekerja selama 24 jam, dengan berbagai kondisi dinamis beban dan kriteria operasional (H. Shayeghi, 2012), (S. Hemamalini, 2011).

Dari sisi pencapaian solusi untuk kondisi dinamis beban, banyak metode telah dikembangkan untuk menyelesaikan persoalan DOE, dan saat ini intelijen komputasi banyak direkomendasikan untuk menggantikan penggunaan metode klasik sebagaimana telah dilaporkan dalam bererapa literatur yang menggunakan evolusioner komputasi, seperti robust heuristic method, artificial immune sistem, neural

network, particle swarm optimization (S. Hemamalini, 2011), (Z.L. Gaing, 2004). Salah satu variasi intelijen

komputasi terbaru adalah algoritma harvest season artificial bee colony (HSABC) yang dibuat oleh A.N. Afandi pada tahun 2012. Algoritma HSABC ini dirumuskan dengan berdasarkan inspirasi dari alam, yaitu musim bunga dan prilaku lebah, sebagaimana yang telah dikenalkan perdana secara terbuka pada berbagai kalangan ilmiah internasional pada tahun 2013 (A.N. Afandi, 2013). Selanjutnya, artikel ini mempersembahkan algoritma HSABC yang diterapkan pada DOE berbasis DED dengan menggunakan berbagai kendala operasional selama 24 jam.

ALGORITMA HSABC

Sebagaimana telah disebutkan sebelumnya, bahwa algoritma HSABC dikembangkan sejak tahun 2012 dan diusulkan ke dunia internasional oleh A.N. Afandi pada tahun 2013 yang diadopsi dari prilaku lebah dan bunga-bunga. Multi sumber makanan (MSM) atau multiple food sources digunakan untuk merepresentasikan bunga yang bermekaran dan terletak di area musim, melalui prinsip keacakan atau random principles (A.N. Afandi, 2013). Untuk mengeksploitasi sumber makanan, maka lebah terbang secara acak ke berbagai arah agar mendapatkan makanan, dengan perpindahan dari posisi satu ke posisi lainnya untuk menyeleksi makanan yang tersedia di area musim bunga. Dalam algoritma HSABC, MSM disusun oleh sumber makanan pertama (SMP) atau the first food source dan sumber makanan lainnya (SML) atau the other food sources. Masing-masing SML diletakan pada posisi tertentu terhadap SMP dengan menggunakan operator panen (OP) atau harvest operator. Pada penentuan MSM, SML akan didahului pemilihan SMP pada setiap proses penyediaan makanan. Dengan mengacu pada proses ini, maka algoritma HSABC dinyatakan dalam empat tahapan pseudo-codes yang melibatkan agen-agen utama berupa lebah pekerja (employed bees), lebah pemantau (onlooker bees), dan lebah pencari (scout bees). Pseudo-codes tersebut dinyatakan dalam pembangkitan populasi (generating population), eksplorasi sumber makanan (food source exploration), eksploitasi makanan (food exploitation), dan penggantian sumber mati (abandoned replacement).

Secara prinsip, pembangkitan populasi akan menyediakan semua kandidat solusi yang diciptakan dengan mempertimbangkan batas operasional bagi rentang solusi yang diijinkan. Masing-masing kombinasi solusi yang akan diciptakan tergantung pada banyaknya parameter dalam problem, yaitu diciptakan menggunakan persamaan (1). Pada pencarian sumber makanan, setiap sumber makanan pertama mencerminkan kemungkinan penyediaan kandidat solusi bagi problem yang dinyatakan sebagai SMP. Selanjutnya, SML akan dibangkitkan disekitarnya sebagai representasi dari kondisi musim bunga dengan

jarak tertentu terhadap SMP. Selanjutnya, posisi SMP dicari dengan menggunakan persamaan (2) dan didampingi oleh SML yang ditetapkan dengan menggunakan persamaan (3). Secara umum, algoritma HSABC dinyatakan dalam persamaan utama sebagai berikut ini:

,

(1)

,

(2)

(3)

dimana xij adalah solusi terkini, i adalah solusi ke i, j , xminj adalah

batas minimum solusi bagi xij, xmaxj adalah batas maksimum bagi xij, vij adalah posisi makanan, xkj adalah

posisi acak terdekat bagi xij, k Øi,j adalah bilangan acak dalam

rentang [-1,1], Hiho adalah posisi makanan pada area musim, ho TF adalah total bunga terpilih,

xfj adalah solusi acak terdekat bagi xkj, f Rj adalah bilangan acak dalam rentang [0,1], dan

MR adalah faktor modifikasi.

DINAMIKA OPERASI EKONOMIS

Salah satu tujuan utama persoalan ELD adalah untuk menentukan daya keluaran pembangkit yang paling ekonomis dengan berbagai kondisi operasional yang telah ditentukan (M.A. Abido, 2006), (A.A. El-Keib, 1994), (Yong Fu, 2006). Pada DOE, penetapan batas operasional ini digunakan untuk menempatkan semua solusi yang diharapkan agar berada pada rentang kelayakan hasil yang diijinkan dengan pertimbangan biaya yang paling minimal. Dewasa ini emisi polusi dari pembangkit termal yang menggunakan bahan bakar fosil juga mulai dipertimbangkan dalam DOE sistem tenaga listrik, untuk membatasi sumbangsih polusi ke udara dan pemanasan global (R.Gopalakrishnan, 2011), (Yong Fu, 2006). Pengurangan polusi selama produksi daya keluaran dan reduksi biaya konsumsi bahan bakar dapat ditentukan secara bersamaan dengan menggunakan fungsi CEED yang disusun oleh ELD dan EmD.

Dengan mempertimbangkan dinamika operasi selama 24 jam, maka problem CEED diadopsi sebagai persoalan DED untuk menentukan daya keluaran yang menghasilkan total biaya operasi yang paling minimum, sekaligus mengurangi biaya bahan bakar dan mereduksi emisi polusi ke udara. Secara praktis, perubahan setiap operasi pembangkit untuk menghasilkan daya keluaran juga dibatasi oleh rentang perubahan daya yang diijinkan (ramp limits) (H. Shayeghi, 2012), (S. Hemamalini, 2011). Batas perubahan daya ini digunakan untuk mengendalikan perubahan daya keluaran yang diijinkan selama proses pembangkitan daya untuk memenuhi kebutuhan beban selama 24 jam (S. Hemamalini, 2011). Dengan mempertimbangkan batas perubahan daya, maka DOE tidak bisa diselesaikan secara konvensional dan didekati menggunakan DED dengan berbagai batasan operasional yang ditetapkan. Untuk menentukan performasi DOE setiap waktu berbasis DED, maka untuk 24 jam rumusan DED ditetapkan dengan

menggunakan persamaan (7). Sedangkan rumusan ELD dan EmD dinyatakan dengan menggunakan persamaan (4) dan persamaan (5). Selanjutnya seluruh batasan operasional dalam riset ini dinyatakan seperti pada persamaan (8) sampai dengan persamaan (16), yang mencakup kondisi aliran daya; keseimbangan daya; batas kemampuan daya; perubahan tegangan; kemampuan kirim daya saluran transmisi; dan batas perubahan daya, yang secara matematika diberikan dalam persamaan-persamaan berikut ini:

,

(4)

,

(5)

(6)

Minimalkan DED = minimalkan

,

(7)

,

(8)

,

(9)

,

(10)

,

(11)

,

(12)

,

(13)

,

(14)

,

(15)

,

(16)

t

total

adalah total biaya bahan bakar

($/hr) pada waktu t, P

it

adalah daya keluaran pada waktu t (MW), ng adalah jumlah unit

pembangkit, a

i

; b

i

; c

i

adalah koefisien biaya bahan bakar untuk unit pembangkit i, EM

ttotal

adalah

i i

;

;

adalah koefisien emisi polusi unit pembangkit i,

t

total

adalah DED ($/hr) pada waktu t, h

t

adalah penalti faktor pada waktu t, w adalah faktor

kompromi pada waktu t, PD

t

adalah daya beban pada waktu t (MW), PL

t

adalah total rugi daya

pada waktu t (MW), PG

pt

dan QG

pt

adalah injeksi aliran daya pada bus p pada waktu t (MW dan

MVar), PD

pt

dan QD

pt

adalah daya beban pada bus p pada waktu t (MW dan MVar), V

pt

dan V

qt

adalah kondisi tegangan untuk bus p dan q pada waktu t (pu), P

imin

adalah batas minimum daya

nyata untuk unit pembangkit i (MW), P

imax

adalah batas daya nyata maksimum bagi unit

pembangkit i (MW), Q

imax

dan Q

imin

adalah batas daya reaktif bagi unit pembangkit i (MVar), Q

it

batas tegangan pada bus p (pu), S

pqt

adalah daya kirim antara bus p dan q pada waktu t (MVA),

S

pqmax

adalah batas kemampuan daya kirim antara bus p and q (MVA), UD

i

adalah batas atas ramp

untuk unit pembangkit i (MW), dan DR

i

adalah batas bawah ramp untuk unit pembangkit i (MW).

METODE IMPLEMENTASI

Pada bagian ini, aplikasi intelijen komputasi terbaru algoritma HSABC diterapkan pada persoalan DOE berbasiskan problem DED yang menggunakan model IEEE-30 bus system dengan kondisi perubahan daya beban selama 24 jam. IEEE-30 bus system disusun oleh 6 generators, 30 buses, 19 bus loads, dan 41

lines. Diagram garis IEEE-30 bus system ditunjukan seperti pada Gambar 1.

Gambar 1. Diagram garis IEEE 30 bus system Gambar 2. Diagram alir solusi

Tabel 1. Parameter utama algoritma HSABC No Parameter Jumlah

1 Ukuran koloni 100 2 Sumber makanan 50 3 Siklus terbang 100

Tabel 2. Batas daya keluaran dan perubahan step produksi Bus Gen Pmin (MW) Pmax (MW) URi (MW) DRi (MW) Bus Gen Pmin (MW) Pmax (MW) URi (MW) DRi (MW) 1 G1 50 200 85 65 8 G4 10 35 16 8 2 G2 20 80 22 12 11 G5 10 30 9 6 5 G3 15 50 15 12 13 G6 12 40 16 8

Tabel 3. Daya beban setiap jam selama 24 jam operasi

Jam

MW

Jam

MW

Jam

MW

Jam

MW

01:00

245,87

07:00

343,40

13:00

96,93

19:00

396,93

02:00

273,88

08:00

354,11

14:00

329,89

20:00

418,34

03:00

301,88

09:00

386,23

15:00

354,11

21:00

354,11

04:00

329,89

10:00

407,64

16:00

354,11

22:00

329,89

05:00

364,82

11:00

418,34

17:00

364,82

23:00

287,88

06:00

329,89

12:00

407,64

18:00

375,52

24:00

230,76

Tabel 4. Koefisien biaya bahan bakar Tabel 5. Koefisien produksi polusi

Bus Gen a ($/MWh2) b ($/MWh) c Bus Gen 2) 1 G1 0,00375 2,00000 0 1 G1 0,0126 -1,1000 22,9830 2 G2 0,01750 1,75000 0 2 G2 0,0200 -0,1000 25,3130 5 G3 0,06250 1,00000 0 5 G3 0,0270 -0,0100 25,5050 8 G4 0,00835 3,25000 0 8 G4 0,0291 -0,0050 24,9000 11 G5 0,02500 3,00000 0 11 G5 0,0290 -0,0040 24,7000 13 G6 0,02500 3,00000 0 13 G6 0,0271 -0,0055 25,3000

Untuk memecahkan persoalan DED sebagai bagian utama DOE, algoritma HSABC

menggunakan parameter seperti pada Table 1. Masing-masing parameter operasional unit generator

disediakan dalam Table 4 untuk koefisien biaya dan Table 5 untuk koefisien polusi. Batas daya dan

perubahan daya diberikan dalam Table 2. Sedangkan kondisi beban untuk IEEE-30 bus system

diberikan dalam Table 3. Selain itu, parameter operasional lainnya menggunakan 5% untuk

perubahan tegangan, dan 0,5 untuk faktor kompromi. Selanjutnya, penerapan algoritma HSABC

ditunjukan dalam Gambar 2 sebagai urutan prosedur untuk mencari solusi. Selain itu, seluruh

program komputasi dibagi menjadi Program Fungsi, Program HSABC, dan Program Evaluasi.

Masing-masing program dikolaborasikan untuk mencari jawaban bagi problem yang ada sesuai

dengan kriteria operasional yang telah ditetapkan.

HASIL DAN PEMBAHASAN

Pada riset ini, kajian utama ditujukan untuk menguji kemampuan algoritma HSABC dalam menyelesaikan persoalan DOE berbasiskan problem DED, dengan mempertimbangkan batas-batas operasional untuk menentukan komitmen daya keluaran pembangkit tenaga listrik. Berdasarkan hasil eksekusi program untuk 24 jam selama 100 siklus didapatkan, bahwa hasil proses komputasi algoritma HSABC diberikan dalam Table 6, Table 7, dan Table 8. Masing-masing tabel menunjukan hasil optimasi dengan mempertimbangkan kondisi perubahan setiap beban pada setiap jam operasi sebagaimana diberikan dalam Table 3. Tabel ini juga memuat performasi algorima HSABC sebagai hasil statistik dan kecepatan komputasi. Satu set kandidat inisial populasi yang digunakan dalam semua proses komputasi dipresentasikan dalam Gambar 3, untuk 50 pasang kandidat solusi bagi setiap siklus komputasi dengan berbagai kemungkinan kombinasi. Masing-masing solusi ditempatkan pada lokasi tertentu untuk merepresentasikan berbagai makanan dalam algoritma HSABC. Selanjutnya, pergerakan komputasi dalam mencari solusi terbaik selama 24 jam diilustrasikan dalam Gambar 4, yang mencakup kecepatan konvergen algoritma HSABC dalam memilih solusi optimal menggunakan faktor kompromi sebesar 0,5 dan parameter seperti pada Table 1.

Gambar 3. Populasi kandidat solusi

Jam Max. Min. Mean Median Std. Dev. siklus 01:00 692,60 667,33 668,64 667,33 4,47 10 02:00 769,96 727,11 730,57 727,11 9,62 14 03:00 896,60 861,37 864,98 861,37 9,82 14 04:00 1.023,83 1.011,30 1.011,97 1.011,30 2,06 17 05:00 1.121,88 1.110,43 1.111,91 1.110,43 3,51 19 06:00 967,31 930,35 933,46 930,35 7,01 16 07:00 1.008,49 974,02 976,96 974,02 9,08 11 08:00 1.117,05 1.073,56 1.075,94 1.073,56 8,03 15 09:00 1.272,36 1.248,55 1.249,98 1.248,55 5,13 10 10:00 1.401,02 1.377,46 1.379,59 1.377,46 5,10 17 11:00 1.481,03 1.430,93 1.433,49 1.430,93 8,22 12 12:00 1.318,95 1.307,43 1.308,02 1.307,43 2,35 10 13:00 1.314,80 1.295,07 1.296,91 1.295,07 5,68 12 14:00 1.005,66 979,35 981,39 979,35 5,90 19 15:00 1.123,39 1.098,57 1.099,43 1.098,57 3,76 14 16:00 1.024,83 1.019,17 1.019,61 1.019,17 1,11 19 17:00 1.089,54 1.066,38 1.067,49 1.066,38 3,37 17 18:00 1.148,98 1.133,45 1.133,76 1.133,45 2,14 10 19:00 1.228,54 1.208,03 1.209,33 1.208,03 4,27 11 20:00 1.456,95 1.412,83 1.416,94 1.412,83 9,93 18 21:00 1.086,64 1.025,74 1.027,49 1.025,74 8,87 13 22:00 1.018,23 1.002,05 1.002,74 1.002,05 2,26 19 23:00 830,27 822,31 822,88 822,31 1,89 11 24:00 661,96 628,70 630,63 628,70 7,40 13

Jam Daya keluaran (MW) G1 G2 G3 G4 G5 G6 Total 01:00 59,75 66,34 36,77 24,40 26,98 35,12 249,36 02:00 88,06 68,74 35,00 27,78 24,49 35,00 279,07 03:00 94,27 77,72 50,00 22,63 25,06 38,19 307,87 04:00 99,87 89,72 62,00 28,33 20,00 35,93 335,85 05:00 157,16 85,70 51,48 25,07 20,00 37,91 377,32 06:00 133,42 75,05 39,94 35,00 20,02 36,74 340,17 07:00 153,74 72,76 36,86 27,47 27,10 35,54 353,47 08:00 159,42 79,68 35,00 33,75 33,10 37,01 377,96 09:00 187,76 73,57 49,19 41,75 27,55 35,00 414,82 10:00 230,36 64,42 41,17 33,85 29,31 35,78 434,89 11:00 240,25 62,50 45,34 28,83 25,90 37,69 440,51 12:00 214,38 64,62 44,91 32,94 26,13 40,00 422,98 13:00 191,31 71,36 50,00 40,94 32,13 39,75 425,49 14:00 136,31 64,62 48,92 35,84 27,28 39,04 352,01 15:00 159,49 72,72 50,00 38,84 23,35 36,24 380,64 16:00 143,26 79,81 44,77 32,02 23,78 37,52 361,16 17:00 165,99 69,12 40,98 35,00 24,62 40,00 375,71 18:00 177,57 64,37 44,37 43,00 25,11 36,42 390,84 19:00 187,56 73,73 44,41 38,17 25,90 36,74 406,51 20:00 227,51 80,00 41,96 31,25 22,88 37,73 441,33 21:00 170,58 69,98 35,74 33,14 20,78 35,28 365,50 22:00 155,94 68,77 35,00 41,14 20,00 39,88 360,73 23:00 102,52 69,52 40,29 34,54 20,00 40,00 306,87 24:00 63,65 60,00 35,00 28,10 20,30 35,00 242,05

Gambar 4. Karakteristik kecepatan komputasi untuk 24 jam

Gambar 5. Keseimbangan total daya keluaran dan total beban

Tabel 8. Biaya operasi minimal berbasis DED selama 24 jam

Jam

Biaya komponen operasi ($)

Emisi Bahan bakar Tiap jam Total operasi 01:00 766,87 567,79 1.334,66 1.334,66 02:00 840,56 613,65 1.454,21 2.788,87 03:00 989,56 733,18 1.722,74 4.511,61 04:00 1.146,10 876,50 2.022,60 6.534,21 05:00 1.208,94 1.011,93 2.220,87 8.755,08

06:00 1.041,15 819,55 1.860,70 10.615,78 07:00 1.071,29 876,75 1.948,04 12.563,82 08:00 1.167,40 979,71 2.147,11 14.710,93 09:00 1.319,08 1.178,01 2.497,09 17.208,02 10:00 1.360,50 1.394,42 2.754,92 19.962,94 11:00 1.392,19 1.469,66 2.861,85 22.824,79 12:00 1.329,80 1.285,06 2.614,86 25.439,65 13:00 1.368,10 1.222,05 2.590,15 28.029,80 14:00 1.109,81 848,89 1.958,70 29.988,50 15:00 1.204,47 992,68 2.197,15 32.185,65 16:00 1.130,51 907,83 2.038,34 34.223,99 17:00 1.158,79 972,73 2.131,52 36.355,51 18:00 1.214,64 1.052,26 2.266,90 38.622,41 19:00 1.273,51 1.142,55 2.416,06 41.038,47 20:00 1.393,34 1.432,32 2.825,66 43.864,13 21:00 1.100,97 950,51 2.051,48 45.915,61 22:00 1.094,96 909,14 2.004,10 47.919,71 23:00 944,64 699,97 1.644,61 49.564,32 24:00 726,79 530,62 1.257,41 50.821,73

Tabel 7 menyajikan produksi daya keluaran yang diijinkan untuk membentuk unit komitmen

pembangkit yang memenuhi semua perubahan daya beban secara fluktuatif seperti yang perlihatkan

pada Gambar 5. Tabel ini menjelaskan penjadualan daya keluaran pembangkit untuk mendukung

DOE selama operasi 24 jam dan memuat perubahan daya keluaran yang diperbolehkan dalam

rentang batas maksimum dan minimum seperti yang ditunjukan pada Gambar 6. Selama 24 jam

beroperasi, total biaya pembangkitan dari setiap jam diberikan dalam Tabel 8 yang mencakup biaya

bahan bakar dan biaya emisi.

KESIMPULAN DAN SARAN

Sebagimana disebutkan, bahwa artikel ini menjelaskan aplikasi intelijen komputasi terbaru algoritma HSABC pada DOE sistem tenaga listrik. Hal ini ditujukan untuk mendapatkan solusi terbaik yang dinyatakan dengan menggunakan DED. Berdasarkan hasil simulasi dengan menggunakan IEEE-30 bus

system dan mempertimbangkan berbagai kendala operasional, bahwa semua pembangkit memproduksi daya

keluaran yang bervariasi selama 24 jam beroperasi. Dengan mengacu pada dinamika hasil, maka diketahui bahwa inisial total biaya operasi diawali dengan jumlah yang beragam sebelum dicapai bervariasi biaya paling ekonomis dengan berbagai kecepatan komputasi. Dari hasil ini, hal penting yang dapat dilakukan untuk riset mendatang adalah aplikasi pada intekoneksi sistem riil yang lebih besar.

DAFTAR PUSTAKA

1. H. Chahkandi Nejad, R. Jahani, M. Mohammad Abadi. 2011. GAPSO-based Economic Load

Dispatch of Power Sistem, Australian Journal of Basic and Applied Sciences. pp. 606-611.

2. M.A. Abido. 2006. Multiobjective Evolutionary Algorithms for Electric Power Dispatch

Problem. IEEE Transactions on Evolutionary Computation, Vol. 10: pp. 315-329.

3. Samir Sayah, Khaled Zehar. 2006. Economic Load Dispatch with Security Constraints od the

Algerian Power Sistem using Successive Linear Programming Method. Leonardo Journal of

Science. Jyly-December, pp.73-86.

4. Yunzhi Cheng, Weiping Xiao, Wei-Jen Lee and Ming Yang. 2009. A New Approach for

Missions and Security Constrained Economic Dispatch. Proc. NAPS, IEEE Conference

Publication. pp. 1-5.

5. M.A. Abido. 2003. Environtment/Economic Power Dispatch using Multiobjective Evolutionary

Algorithms. IEEE Transactions on Power Sistem. Vol. 18: pp. 1529-1539.

6. Fahad S. Abu-Mouti, M.E. El-Hawary. 2011. Optimal Distributed Generation Allocation and

Sizing in Distribution Sistem Via Artificial Bee Colony Algorithm. IEEE Journal &

Magazines. Vol. 26: pp. 2090-2101.

7. A.A. El-Keib, H. Ma, and J.L. Hart. 1994. Environmentally Constrained ED using the

Lagrangian Relaxation Method. IEEE transactions on Power Sistems. Vol. 9: pp. 533-534.

8. R. Gopalakrishnan, A.Krishnan. 2011. A novel combined economic and emission dispatch

problem solving technique using non-dominated ranked genetic algorithm. European Journal

of Scientific Research. Vol. 64: pp. 141-151.

9. Yong Fu, Mohammad Shahidehpour, Zuyi Li. 2006. AC Contingency Dispatch Based on

Security Constrained Unit Commitment. IEEE Transactions on Power Sistems. Vol. 21: pp.

897-908.

10. H. Shayeghi, A. Ghasemi. 2012. Application of MOFSO for economic load dispatch solution

with transmission losses. IJTPE Journal. Vol. 4: pp.27-34.

11. S. Hemamalini, Sishaj P. Simon. 2011. Dynamic economic dispatch using artificial bee colony

algorithm for units with valve-point effect. Euro. Trans. Electr. Power. Vol.21: pp.70-81.

12. Z.L. Gaing, et al. 2004. Constrained dynamic economic dispatch solution using particle swarm

optimization. IEEE Power Eng. Soc. Gen. Meeting. Vol.1: pp.153-158

13. A.N. Afandi, Hajime Miyauchi. 2013. Multiple Food Sources for Composing Harvest Season

Artificial Bee Colony Algorithm on Economic Dispatch Problem. In Proc. The 2013 Annual

Meeting of the IEEJ, No. 6-008: pp. 11-12.

RIWAYAT

A.N. Afandi adalah akademisi dari Teknik Elektro; Universitas Negeri Malang; Malang, yang bergabung sejak 1999 hingga sekarang. Pendidikan doktor terakhirnya ditamatkan dari Kumamoto University, Japan. Saat ini dia konsen pada Center of Research for

Energy and Electric Power Systems (CREEPS) dan dia juga merupakan pembuat HSABC algorithm; OREC technique; dan DPF approach, yang telah dikenalkan ke

dunia internasional melalui berbagai international journals dan international

conferences. Bidang riset yang ditekuni selama ini mencakup sistem tenaga dan stabilitas interkoneksi,

energi terbarukan dan operasi ekonomis, elektronika daya dan pengendalian mesin, otomatisasi industri dan sistem kontrol, intelijen komputasi dan teknik optimasi, pendidikan teknik dan teknologi terapan. Dia saat ini bergabung dengan beberapa institusi internasional, antara lain: Institute of Electrical and Electronics

Engineers, International Association of Engineers, International Association of Engineers and Scientists, World Association of Science Engineering, Institution of Electrical Engineers of Japan.