KLASIFIKASI DAN IDENTIFIKASI GANGGUAN POWER QUALITY (PQ) MENGGUNAKAN METODE MULTIPLE SEQUENCE ALIGNMENT (MSA)

(1)

Sidang Tesis

KLASIFIKASI DAN IDENTIFIKASI

GANGGUAN

POWER QUALITY (PQ)

MENGGUNAKAN METODE

MULTIPLE

SEQUENCE ALIGNMENT (MSA)

Agus.S,

Adi.S,

Mauridhi.H.P

Electrical Engineering Dept - ITS

Telah diseminarkan

(2)

2



Multiple Sequence Alignment (MSA) adalah metode penyelarasan

tiga atau lebih urutan DNA, RNA, atau protein untuk di identifikasi

similaritasnya dalam hal hubungan secara fungsional, struktural atau

evolusinya [1, 4, 10, 13, 15, 19, 22, 24, 27].



Implementasi metode Multiple Sequence Alignment (MSA) yang

biasanya diaplikasikan oleh bidang bioinformatic ke dalam bidang

teknik sistem tenaga listrik.



MSA di implementasi untuk mendeteksi dan mengklasifikasi

gangguan-gangguan power quality seperti interuption, sag, swell,

undervoltage, dan overvoltage.



Metoda ini menyelaraskan sinyal inputan terhadap sinyal database

gangguan power quality untuk di identifiakasi similaritas atau

kesamaannya.



Similaritas ini ditunjukkan dengan error terkecil dari proses

penyelarasan terhadap sinyal PQ tersebut.



Sinyal PQ di representasikan dalam sebuah matrix.



Hasil simulasi menunjukkan bahwa implementasi metode MSA dapat

secara efektif mendetesi dan mengklasifikasi sinyal PQ.

Abstrak

(3)

3 Latar Belakang

Latar Belakang

(4)

4 Perumusan Masalah

Perumusan Masalah

1

1 Apakah deteksi dan klasifikasi berbasis

MSA dapat mengidentifikasi sinyal?.

2

2 Bagaimana proses atau metode MSA

dalam mengidentifikasi sinyal?.

3

3 Bagaimanakah kinerja identifikasi dan

klasifikasi berbasis MSA?

4

(5)

5 Tujuan dari penelitian ini adalah ikut

memberikan solusi untuk masalah

monitoring (deteksi dan klasifikasi)

gangguan pada sistem jaring tenaga

listrik melalui pendeteksian gelombang

sinus cacat yang diakibatkan oleh

gangguan sehingga menyebabkan

pelepasan atau penambahan beban, dan

pemutusan aliran daya selama waktu

tertentu.

Tujuan Penelitian

(6)

6 

Tipe rele yang digunakan adalah rele

digital.



Plan yang digunakan adalah jaring IEEE

30 Bus.



Mendeteksi hanya sinyal tertentu,

misalnya: Swell, Sag, Overvoltage,

Undervoltage dan Interruption.



Sumber gangguan berasal dari

pelepasan atau penambahan beban, dan

pemutusan aliran daya selama waktu

tertentu.

Batas Masalah

(7)

7 

Menambah literature baru tentang

aplikasi konsep MSA dalam Power System

Engineering.



Tercipta rele digital jenis baru berbasis

MSA.



Peningkatan kualitas tenaga listrik

Kontribusi Tesis

(8)

8 Hirarki Penelitian

Hirarki Penelitian

(9)

9 Aplikasi MSA dalam Bioinformatic

Aplikasi MSA dalam Bioinformatic

Contoh aplikasi MSA dalam Bioinformatic[29]

Multiple Sequence Alignment (MSA) adalah metode

penyelarasan tiga atau lebih urutan DNA, RNA, atau protein

untuk di identifikasi similaritasnya dalam hal hubungan secara

fungsional, struktural atau evolusinya [1, 4, 10, 13, 15, 19, 22,

24, 27].

Asam Amino

(10)

10 Aplikasi MSA dalam Bioinformatic

Aplikasi MSA dalam Bioinformatic

(11)

11 

Pseudo Color Image

Aplikasi MSA dalam Bioinformatic

S pec tr ogr am I ndi c es 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 2 4 6 8 10 12 14 16

(12)

12 Aplikasi MSA dalam Bioinformatic

Aplikasi MSA dalam Bioinformatic



Objective Function



Sum-of-Pairs



Performance of MSA

dengan:

k = 1 : baris ke-1 adalah sinyal input

l : baris ke-2 sampai ke-l adalah database sinyal gangguan

i : kolom ke i





i

l

i

k

i

l

m

S

m

S

(

)

(

,

)

%

100 |

)

(

|

(%)





_l



i

l

m

S

Error

(13)

13 Aplikasi MSA dalam Teknik Sistem Tenaga

(14)

14 Aplikasi MSA dalam Teknik Sistem Tenaga

Aplikasi MSA dalam Teknik Sistem Tenaga

Database Sinyal gangguan PQ

(15)

15 

Ilustrasi proses identifikasi sinyal

gangguan menggunakan metode MSA

Aplikasi MSA dalam Teknik Sistem Tenaga

Database Selisih

Sinyal gangguan 0.7 0.7 0.7 0.7 0.9 0.9 0.9 0.9 0.7 0.7 0.7 0.7

Database Ke-1

0.7 0.7 0.7 0.7 0.3 0.3 0.3 0.3 0.7 0.7 0.7 0.7

6.8

0

0 0 0.6 0.6 0.6 0.6 0

0

2.4

35.29 Database Ke-2

0.7 0.7 0.7 0.7 0.9 0.9 0.9 0.9 0.7 0.7 0.7 0.7

9.2

0

0 Database Ke-3

0.7 0.7 0.7 0.7 1.1 1.1 1.1 1.1 0.7 0.7 0.7 0.7

10

0

0 0 0.2 0.2 0.2 0.2 0

0

0.8

8 Tegangan phasor

Nilai Komulatif

Error (%)

(16)

16 Aplikasi MSA dalam Teknik Sistem Tenaga

Aplikasi MSA dalam Teknik Sistem Tenaga

(Simulasi dan Analisis)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2 Waktu (detik) M a gni tudo Teganga n ( pu) Sinyal Gangguan PQ

(17)

17 Aplikasi

Aplikasi

MSA

_MSA

dalam

_dalam

Teknik

_Teknik

Sistem

_Sistem

Tenaga

_Tenaga

(

Simulasi

_Simulasi

dan

_dan

Analisis

_Analisis

)

₎

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.5 1 1.5 Waktu (detik) M a gni tudo T ega ngan ( pu )

Sinyal Gangguan PQ terhadap Database

Sinyal Input 0 pu 0.1 pu 0.2 pu 0.3 pu 0.4 pu 0.5 pu 0.6 pu 0.7 pu 0.8 pu 0.9 pu 1 pu 1.1 pu 1.2 pu 1.3 pu >1.4 pu

(18)

18 Aplikasi

Aplikasi

MSA

_MSA

dalam

_dalam

Teknik

_Teknik

Sistem

_Sistem

Tenaga

_Tenaga

(

Simulasi

_Simulasi

dan

_dan

Analisis

_Analisis

)

₎

Baris Magnitudo Tegangan baris 1 : Sinyal Input baris 2 : 0.0 pu baris 3 : 0.1 pu baris 4 : 0.2 pu baris 5 : 0.3 pu baris 6 : 0.4 pu baris 7 : 0.5 pu baris 8 : 0.6 pu baris 9 : 0.7 pu baris 10 : 0.8 pu baris 11 : 0.9 pu baris 12 : 1.0 pu baris 13 : 1.1 pu baris 14 : 1.2 pu baris 15 : 1.3 pu baris 16 : >1.4 pu pg 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 2 4 6 8 10 12 14 16

0 pu

1.3 pu

1 pu

Database Sinyal

Gangguan

Sinyal Input

Waktu (s)

(19)

0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 50 100 150 200 250 300 350 400 450 Waktu (detik) E rr or S in y a l g angg uan T e rha dap D at aba s e ( % )

Performa Metoda MSA

0 pu 0.1 pu 0.2 pu 0.3 pu 0.4 pu 0.5 pu 0.6 pu 0.7 pu 0.8 pu 0.9 pu 1.0 pu 1.1 pu 1.2 pu 1.3 pu >1.4 pu

19 Aplikasi MSA dalam Teknik Sistem Tenaga

Aplikasi MSA dalam Teknik Sistem Tenaga

(Simulasi dan Analisis)

Error terkecil untuk magnitudo

Tegangan Bernilai 1.1 pu

Swell

(20)

20 (Simulasi dan Analisis)

(Simulasi dan Analisis)

Instantaneous

–

_–

Interruption

_Interruption

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.2 0.4 0.6 0.8 1 Waktu (detik) M a gn it ud o Te ga ng an ( p u) Sinyal Gangguan PQ

(21)

21 (Simulasi dan Analisis)

(Simulasi dan Analisis)

Instantaneous

–

_–

Interruption

_Interruption

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.5 1 1.5 Waktu (detik) M agni tudo T egangan ( pu)

Sinyal Gangguan PQ terhadap Database

Sinyal Input 0 pu 0.1 pu 0.2 pu 0.3 pu 0.4 pu 0.5 pu 0.6 pu 0.7 pu 0.8 pu 0.9 pu 1 pu 1.1 pu 1.2 pu 1.3 pu >1.4 pu

(22)

22 (Simulasi dan Analisis)

(Simulasi dan Analisis)

Instantaneous

–

_–

Interruption

_Interruption

Mass/Charge (M/Z) S pec tr ogr am I ndi c e s 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 2 4 6 8 10 12 14 16 R e la ti v e In te n s ity

(23)

23 (Simulasi dan Analisis)

(Simulasi dan Analisis)

Instantaneous

–

_–

Interruption

_Interruption

0.4 0.5 0.6 0.7 0.8 0.9 1 0 50 100 150 200 250 300 Waktu (detik) E rr o r Si ny al ga nggua n Ter had ap Dat ab ase (% )

Performa Metoda MSA

0 pu 0.1 pu 0.2 pu 0.3 pu 0.4 pu 0.5 pu 0.6 pu 0.7 pu 0.8 pu 0.9 pu 1.0 pu 1.1 pu 1.2 pu 1.3 pu >1.4 pu

(24)

24 Kategori

Error (%)

Durasi pendek

a

Instantaneous

Interruption

23 Sag (Dip)

0 Swell

0 b

Momentary

Interruption

74 Sag (Dip)

0 Swell

0 c

Temporary

Interruption

54 Sag (Dip)

0 Swell

0 Durasi panjang

a

Interruption

0.00054

b

Undervoltage

0 c

Over voltage

0 Simulasi dan Analisis

Simulasi dan Analisis

(25)

25 

Dalam penulisan ini, metode Multiple Sequence

Alignment (MSA) dapat digunakan dalam

mengidentifikasi dan mengklasifikasi sinyal

gangguan Power Quality (PQ) secara efektif.



MSA memiliki kinerja yang tinggi dengan

menunjukkan error terkecil di setiap proses

identifikasi dan klasifikasi sinyal gangguan,

walaupun errornya bervariasi yang disebabkan

oleh sinyal transient.



Dalam perhitungan, metode MSA tidak

menggunakan learning data dan proses iterasi

seperti penelitian sebelunya, sehingga membuat

metode MSA lebih cepat dari pada penelitian

sebelumnya.

Kesimpulan

(26)

26 

Dalam penelitian selanjutnya, diharapkan

metode MSA digunakan pada kondisi non

ideal.



Diharapkan MSA dapat diaplikasikan di

bidang teknik sistem tenaga dalam

permasalahan yang lain berkaitan dengan

identifikasi dan klasifikasi menggunakan

MSA.



Diharapkan pada penelitian selanjutnya,

metode MSA di sesuaikan pada kondisi

transient sehingga dapat meminimalisasi

error.

Saran

(27)

27

1. Altschul, S.F., Madden, T.L., Schaffer, A.A., Zhang, J., Zhang, Z., Miller, W., Lipman, D.J.

(1997), "Gapped BLAST and PSI-BLAST: a new generation of protein database search programs". Nucl. Acids Res. 25, 3389–3402.

2. Chilukuri, M.V., dan Dash, P.K. (2004), "Multiresolution S-transform-based fuzzy recognition

system for power quality events". IEEE Transactions on Power Delivery, 19(1), 323–330, .

3. Chung, J. Edward, J. Power, W. Grancy, M. dan Bhatt, S.C. , "Power Disturbance Classifier Using A Rule-Based Method And Wavelet Packet-Based Hiden Markov Model".

4. Dickerson, R.E., Timkovich, R., dan Almassy, R.J. (1976), "The cytochrome fold and the

evolution of bacterial energy metabolism". J. Mol. Biol. 100, 473–491.

5. Djokic,S.Z. Stockman,K. Milanovic, J.V dan Belmans,R. (Januari 2005), "Sensitivity of AC

Adjustable Speed Drive to Voltage Sag and Short Interuption", IEEE Transactions on power

Delivery, Vol.20, No.2, hal494-504.

6. Dugan, R. C., . Mafk, F.M. dan Beaty, H.W. (1996), "Electrical Power System Quality", McGraw- Hill.

7. El-Hawary, M.E. (1995), "Electrical Power System Design and Analysis", IEEE Press, New York.

8. Gaing, Z.L. (October 2004), "Wavelet-Based Neural Network for Power Disturbance Recognition

and Classification", IEEE Transaction on Power Delivery, Vol.19, No.4, hal 1560-1568.

9. Gomes, J.C. Marcos, M.M. Reineri, C.A. dan Campetelli, G.N. (April 2002), "Behavior of

Induction Motor Due to Voltage Sag and Short Inerruption", IEEE Transaction on Power

Delivery, Vol. 17, No. 2, hal434-440.

10. Higgins, D. dan Taylor, W. (2000), “Bioinformatics: Sequence, structure, and databanks”, Oxford University Press, Hal v.

Daftar Pustaka

(28)

28

11. Huang, H. dan Negnevitsky, M. (April 2002), "A Neural-Fuzzy Classifier for Recognition of

Power Quality Disturbance", IEEE Transaction on Power Delivery, Vol.17, No.2, hal.609-616.

12. Huang,S.J. Yang,T.M. dan Huang,J.T. (April 2002), "FPGA Realization of Wavelet Transform

for Detection of Electrical Power System Disturbances", IEEE Transaction on Power Delivery, Vol.17, No 2.

13. Kal,R.S. (2009), "Bioinformatics Sequence Alignment and Markov Models",Mc Graw Hill, 41.

14. Koen J.P. Macken, Math H.J. Bollean, dan Onnie J.M. Belman, (November 2004 ), “Mitigation of

Dip Trough Distributed Generation System”, IEEE transaction on industri application, Vol 40, No 6,, pp1686-1693.

15. Levin, J.M., Pascarella, S., Argos, P., Garnier, J.X. (1993), "Quantification of secondary structure prediction improvement using multiple alignments". Protein Eng. 6, hal 849–854.

16. Maradhona, R.W. Robandi, I. dan Siswanto, A. (November 2005)," Pengenalan Gangguan Power

Quality Menggunakan Wavelet-Based Fuzzy (WBF)", proceeding industrial electronic seminar

IES.

17. Michael Misiti, Yves Misiti, Goeges Oppenheim, Jean-Michel Ponggi, Wavelet Toolbox Version

2.2, July 2002.

18. Mielczarski,W. (1997), "Quality of Electricity Supply & Management of Network Losses", Melbourne.

19. Mount,D.M. (2004). "Bioinformatics: Sequence and Genome Analysis" (2nd Ed.). Cold Spring Harbor Laboratory Press: Cold Spring Harbor.

20. Olguin, G. (2005) , "Voltage Dip (Sag) Estimation Measurement in Power System Base on

Stochastic Assesment and Optimal Monitoring", Departement Of Energy And Environment Division Of Electrical Power Engineering Chalmenrs University Of Technology Gotebong, Sweden.

Daftar Pustaka

(29)

29

21. Pradhan, A.K. dan Routray, A. (Januari 2005), "Applying Distance Relay for

Voltage Sag Source Detection", IEEE Transaction on Power Delivery, Vol. 20, No.

2, , hal.529-531.

22. Robert,C.E. dan,Serafim,B. (2006), "Multiple sequence alignment", Elseiver, 368–

373.

23. Schlabbach, J. Blume, D. dan Stephanblome, T. (2001), "Voltage Quality in

Electrical Power System", The Institute of Electrical Engineering, London, United

Kingdom.

24. Simossis, V.A., Heringa, J. (2004), "Integrating protein secondary structure

prediction and multiple sequence alignments". Curr. Protein Pept. Sci. Vol.5, hal

249–266.

25. Siswantono, A. dan Robandi, I. (2007), "Wavelet-Based Artificial Immune System

untuk pengenalan dan klasifikasi Gangguan Kualitas Daya", Perpustkaan ITS,

Surabay,

26. Tagare, D. M. (2004), "Reactive Power Management", Tata McGraw-Hill

Publishing Company Limited Copyright

27. Xiong, J. (2006), ”Essential Bioinformatics”, Cambridge University Press, Hal 63.

28. Zang, L. dan Math H.J. (April 2000), "Characteristic of Voltage Dip (Sag) in Power

System", IEEE Transaction on power Delivery, Vol.15, No.2, hal827-832.

29. (Januari 2011), “Multiple sequence alignment”, Wikimedia

Daftar Pustaka

(30)



Pembimbing I

: Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng



Pembimbing II

: Prof. Dr. Ir. Adi Soeprijanto, MT



Penguji

: Prof.Ir. Ontoseno Penangsang, M.Sc, Ph.D

Dr. I. Made Yulistya Negara. ST.MSc

Dr. Ardyono. ST.MSc

(31)

(32)

Amino Acid Lookup (Courtesy of MATLAB)

Code Integer Abbreviation

Amino Acid Name

Codons

A

1 Ala

Alanine

GCU GCC GCA GCG

R

2 Arg

Arginine

CGU CGC CGA CGG AGA AGG

N

3 Asn

Asparagine

AAU AAC

D

4 Asp

Aspartic acid (Aspartate)

GAU GAC

C

5 Cys

Cysteine

UGU UGC

Q

6 Gln

Glutamine

CAA CAG

E

7 Glu

Glutamic acid (Glutamate)

GAA GAG

G

8 Gly

Glycine

GGU GGC GGA GGG

H

9 His

Histidine

CAU CAC

I

10 Ile

Isoleucine

AUU AUC AUA

L

11 Leu

Leucine

UUA UUG CUU CUC CUA CUG

K

12 Lys

Lysine

AAA AAG

M

13 Met

Methionine

AUG

F

14 Phe

Phenylalanine

UUU UUC

P

15 Pro

Proline

CCU CCC CCA CCG

S

16 Ser

Serine

UCU UCC UCA UCG AGU AGC

T

17 Thr

Threonine

ACU ACC ACA ACG

W

18 Trp

Tryptophan

UGG

Y

19 Tyr

Tyrosine

UAU UAC

V

20 Val

Valine

GUU GUC GUA GUG

B

21 Asx

Asparagine or Aspartic acid (Aspartate)

AAU AAC GAU GAC

Z

22 Glx

Glutamine or Glutamic acid (Glutamate)

CAA CAG GAA GAG

X

23 Xaa

Any amino acid

All codons

*

24 END

Termination codon (translation stop)

UAA UAG UGA

-

25 GAP

Gap of unknown length

NA

32

(33)

33 Amino Acid

Code Integer

Alanine A 1

Arginine R 2

Asparagine N 3

Aspartic acid (Aspartate) D 4

Cysteine C 5

Glutamine Q 6

Glutamic acid (Glutamate) E 7

Glycine G 8 Histidine H 9 Isoleucine I 10 Leucine L 11 Lysine K 12 Methionine M 13 Phenylalanine F 14 Proline P 15 Serine S 16 Threonine T 17 Tryptophan W 18 Tyrosine Y 19 Valine V 20