MODEL ANALISA BERBASIS JARINGAN SARAF TIRUAN UNTUK MENGURANGI
DISTORSI HARMONISA PADA GEDUNG PUSAT KOMPUTER
Indra Yasri1, Edy Ervianto 2 , Edo Satrio Noviando 3 (1) (2) Jurusan Teknik Elektro, Universitas Riau,
(indra.yasri@lecturer.unri.ac.id)
(3) Alumni Jurusan Teknik Elektro, Universitas Riau
Abstrak
An alternative approach to minimize harmonic distortion in power systems using artificial neural network (ANN) based analysis model is presented in this paper. There are 4 stages of scenarios involved in this approach i.e. weighing and biasing value determination, feed forward process, Total Harmonic Distortion (THD) checking to IEEE 519 – 1992 standard and back propagation stage if the THD value is not complied to IEEE 519 – 1992 standard. Practically, these processes are adopted from the mechanism of Multi-Layer Artificial Neural Network. The input value for beginning process was taken from UR Central Computer building non-linier load THD data. The THD data measurement shows 5.2 % which is 0.2% more than limit of IEEE 519 – 1992 standard (5%). This data measurement is processed by above proposed approach. The result shows the THD able to reduced up to 2.5%.
Key words: Total Harmonic Distortion, Analysis Model, Multi-Layer ANN, Computer Building.
1. Pendahuluan
Kualitas daya merupakan sebuah tolak ukur dalam menilai bagus tidaknya layanan suatu sistem tenaga. Hal tersebut dapat diukur melalui parameter – parameter sebagai berikut: kontinuitas daya, kestabilan frekuensi dan tegangan. Parameter-parameter tersebut dapat direpresentasikan dalam bentuk gelombang tegangan dan gelombang arus dalam sistem tenaga listrik yang dalam bentuk idealnya berupa gelombang sinusoidal murni. Namun semakin bervariasinya teknologi yang digunakan pada sisi beban seringkali menimbulkan penurunan kualitas daya. Beban berupa peralatan elektronik seperti penyejuk udara yang menggunakan inverter, lampu hemat energi, computer dan laptop merupakan jenis beban yang mengandung unsur pengsaklaran dan converter sehingga memerlukan arus searah dalam pengoperasiannya. Sehingga pada proses penyediaan arus searah ini mengakibatkan arus pada jaringan listrik tidak berbentuk gelombang sinusoidal murni. Ketidakmurnian gelombang sinusoidal akibat terdistorsi inilah yang disebut dengan distorsi harmonisa. Distorsi harmonisa dapat mengakibatkan distorsi tegangan yang dapat menyebabkan peralatan listrik menjadi cepat panas, faktor daya menjadi rendah, gangguan pada peralatan yang menggunakan relay untuk pengsaklaran, arus netral yang lebih besar pada listrik tiga fasa, berkurangnya akurasi pengukuran kWh-meter jenis induksi, dan dapat terbakarnya trafo distribusi pada kondisi beban masih dibawah kapasitas trafo. Oleh karena itu harmonisa perlu mendapat perhatian serius.
Gedung pusat komputer pada sebuah perguruan tinggi merupakan tempat yang sangat vital dimana di dalamnya banyak server-server yang menyimpan data-data kemahasiswaan, kepegawaian, data keuangan dan data – data penting perguruan tinggi lainnya. Sehingga dengan resiko – resiko yang telah disebutkan diatas maka dipandang perlu untuk memasang peralatan untuk meminimalkan harmonisa pada gedung pusat komputer. Penelitian yang dilakukan untuk mendeteksi adanya distorsi harmonisa sudah dipaparkan dalam berbagai macam bentuk pendekatan [1,2,3,4].
Perkembangan teknologi dalam menyelesaikan distorsi harmonisa salah satunya dengan menggunakan jaringan saraf tiruan (JST). Penggunaan JST dalam mengatasi masalah distorsi harmonisa mencakup jenis-jenis JST yang diimplementasikan [1,5,6].
Pada kasus pembuatan model analisa distorsi harmonisa jenis multilayer JST sangat tepat digunakan mengingat kompleksitas data mekanisme yang digunakan. Penggunaan multilayer JST sudah terbukti pada kasus aplikasi yang memiliki kompleksitas yang sama seperti distorsi harmonisa [7].
2. Metodologi
Metodologi yang digunakan pada penelitian ini menggunakan jaringan saraf tiruan (JST) dengan jenis multilayer [7]. Implementasi JST multilayer untuk model analisa distorsi harmonisa pada gedung pusat komputer
dilakukan dengan beberapa skenario seperti terlihat pada gambar 1.
Gambar 1. Skenario rancangan Multilayer JST
Pada tahap pelatihan feed forward, tahap awal harus menentukan besarnya nilai bias dan bobot. Metode untuk menentukan nilai bobot awal menggunakan metode Nguyen – Widrow, dimana metode Nguyen Widrow menggunakan inisialisasi bobot antara -0.5 sampai 0.5. Setelah nilai bias dan bobot ditentukan, input yang akan diproses dikalikan dengan bobot, dimana bobot awal yang akan digunakan ditentukan dari hasil perkalian ini kemudian nilai tersebut ditambahkan dengan nilai bias sehingga didapat nilai hidden layer1 (Zin). Setelah didapat nilai Zin, tentukan nilai bias dan bobot untuk hidden layer kedua. Nilai Zin dikalikan dengan bobot kedua, nilai tersebut ditambahkan dengan nilai bias sehingga didapat nilai hidden layer2 (Yin). Untuk menentukan nilai Y, gunakan persamaan 1, apabila nilai keluaran (Y) yang dihasilkan masih belum memenuhi target atau masih jauh dari target maka lakukan langkah back propagation. Pada tahap back propagation langkah awal hitung nilai error (δk), dimana nilai error tersebut didapat menggunakan persamaan 2. Setelah didapat nilai error, hitung nilai koreksi bobot (ΔWjk) menggunakan persamaan 3 dan koreksi bias (ΔW0k) menggunakan persamaan 4. Setelah didapat nilai koreksi bobot dan bias,
tentukan nilai δinj menggunakan persamaan 5 dan tentukan nilai error (δj) menggunakan persamaan 6. Hitung nilai nilai koreksi bobot (ΔVij) menggunakan persamaan 7 dan koreksi nilai bias (ΔV0j) menggunakan persamaan 8. Tiap unit output akan memperbaiki nilai bobot dan nilai bias menggunakan persamaan 9 dan 10. Langkah selanjutnya lakukan langkah feed fordward seperti langkah awal sampai didapat nilai Y mencapai target atau mendekati target. Nilai Output (Y) yang didapat harus mencapai target atau mendekati target dengan nilai error yang sangat kecil, dimana pada penelitian ini toleransi error yang ditargetkan maksimal adalah 10-3. (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) 3. Pembahasan Hasil
Pada bagian ini hasil pengukuran pada panel-panel yang dipilih dijadikan sebagai masukan pada rancangan multilayer jaringan saraf tiruan (MLJST). Hasil pengukuran ini diolah dalam bentuk individual harmonic distortion (IHD) terlebih dahulu sebelum menjadi masukan pada MLJST. Jumlah keseluruhan panel yang dipilih sebanyak tiga panel. Berikut ini akan dibahas IHD pada masing-masing panel berikut hasil keluaran yang diperoleh setelah diproses oleh MLJST.
3.1 Panel 1
Hasil pengukuran pada panel 1 didapatkan gelombang arus dan tegangan seperti terlihat pada gambar 1.
Gambar 2. Gelombang arus dan tegangan pada Panel 1
Kemudian hasil pengukuran diatas diubah ke dalam bentuk data IHD seperti yang terlihat pada tabel 1.
Tabel 1. Nilai IHD pada panel 1
Selanjutnya nilai IHD pada panel 1 ini dijadikan sebagai masukan pada MLJST. Hasil keluaran yang diperoleh setelah melalui mekanisme MLJST dapat dilihat pada tabel 2.
Tabel 2. Nilai IHD hasil keluaran MLJST
Dapat dilihat pada tabel 2 nilai IHD telah diminimalkan, namun masih belum memenuhi target. Untuk memperoleh hasil yang lebih baik maka simulasi dilanjutkan. Setelah menyelesaikan simulasi pada iterasi yang ke-5 maka diperoleh hasil keluaran data IHD seperti yang terlihat pada tabel 3.
Tabel 3. Nilai IHD setelah iterasi ke-5
Nilai Mean Square Error (MSE) yang diperoleh telah memenuhi standar error yang ingin dicapai yaitu maksimal 10-3.Nilai keluaran akhir THD yang diproses MLJST untuk panel 1 diperoleh dengan menjumlahkan nilai-nilai individual harmonisa (IHD) seperti yang terlihat pada tabel 4.
Tabel 4. Nilai THD keluaran MLJST
Arus THD
A1 2.59%
A2 2.58%
A3 2.53%
Berdasarkan tabel 4 dapat dilihat nilai THD keluaran MLJST pada panel 1 telah memenuhi standar IEEE yaitu dibawah 5%.
3.2 Panel 2
Hasil pengukuran pada panel 2 didapatkan gelombang arus dan tegangan seperti terlihat pada gambar 3.
Gambar 3. Gelombang arus dan tegangan pada Panel 2
Kemudian hasil pengukuran diatas diubah ke dalam bentuk data IHD seperti yang terlihat pada tabel 5.
Tabel 5. Nilai IHD pada panel 2
Selanjutnya nilai IHD pada panel 2 ini dijadikan sebagai masukan pada MLJST. Hasil keluaran yang diperoleh setelah melalui mekanisme MLJST dapat dilihat pada tabel 6.
Tabel 6. Nilai IHD hasil keluaran MLJST
Dapat dilihat pada tabel 6 nilai IHD telah diminimalkan, namun masih belum memenuhi target. Untuk memperoleh hasil yang lebih baik maka simulasi dilanjutkan. Setelah menyelesaikan simulasi pada iterasi yang ke-8 maka diperoleh hasil keluaran data IHD seperti yang terlihat pada tabel 7.
Tabel 7. Nilai IHD setelah iterasi ke-8
Nilai Mean Square Error (MSE) yang diperoleh telah memenuhi standar error yang ingin dicapai yaitu maksimal 10-3. Nilai keluaran akhir THD yang diproses MLJST untuk panel 2 diperoleh dengan menjumlahkan nilai-nilai individual harmonisa (IHD) seperti yang terlihat pada tabel 8.
Arus THD
A1 2.51%
A2 2.51%
A3 2.46%
Dapat dilihat pada tabel 8 bahwa nilai THD pada panel 2 telah di minimalkan, dan memenuhi standar IEEE yaitu dibawah 5%.
3.3 Panel 3
Hasil pengukuran pada panel 3 didapatkan gelombang arus dan tegangan seperti terlihat pada gambar 4.
Gambar 4. Gelombang arus dan tegangan pada Panel 3
Kemudian hasil pengukuran diatas diubah ke dalam bentuk data IHD seperti yang terlihat pada tabel 9.
Tabel 9. Nilai IHD pada panel 3
Selanjutnya nilai IHD pada panel 3 ini dijadikan sebagai masukan pada MLJST. Hasil keluaran yang diperoleh
setelah melalui mekanisme MLJST dapat dilihat pada tabel 10.
Tabel 10. Nilai IHD hasil keluaran MLJST
Dapat dilihat pada tabel 10 nilai IHD telah diminimalkan, namun masih belum memenuhi target. Untuk memperoleh hasil yang lebih baik maka simulasi dilanjutkan. Setelah menyelesaikan simulasi pada iterasi yang ke-5 maka diperoleh hasil keluaran data IHD seperti yang terlihat pada tabel 11.
Tabel 11. Nilai IHD setelah iterasi ke-5
Nilai Mean Square Error (MSE) yang diperoleh telah memenuhi standar error yang ingin dicapai yaitu maksimal 10-3.Nilai keluaran akhir THD yang diproses MLJST untuk panel 3 diperoleh dengan menjumlahkan nilai-nilai individual harmonisa (IHD) seperti yang terlihat pada tabel 12.
Tabel 12. Nilai THD keluaran MLJST
Arus THD
A1 2.55%
A2 2.54%
A3 2.54%
Pada tabel 12 dapat dilihat bahwa nilai THD pada panel 3 telah di minimalkan, dan memenuhi standar IEEE yaitu dibawah 5%.
4. Kesimpulan
Berdasarkan pengujian rancangan model analisa berbasis multilayer jaringan saraf tiruan (MLJST) dengan menggunakan data pengukuran 3 panel yang ada pada gedung pusat Komputer UR dapat disimpulkan sebagai berikut:
A. Hasil pengukuran panel dalam bentuk gelombang arus dan tegangan harus diubah ke dalam bentuk IHD agar dapat dijadikan masukan pada MLJST.
B. Apabila hasil keluaran MLJST belum mencapai Nilai Mean Square Error (MSE) maksimal 10-3 maka simulasi harus dilanjutkan dalam beberapa iterasi sampai nilai tersebut terpenuhi. C. Pada kasus 3 panel diatas untuk mendapatkan
Nilai Mean Square Error (MSE) maksimal 10-3 rata-rata harus menjalankan simulasi sebanyak 5 iterasi kecuali pada panel 2 yang membutuhkan sebanyak 8 iterasi.
Daftar Pustaka
[1] Hsiung Cheng Lin. Intelligent Neural Network-Based Fast Power System Harmonic Detection. IEEE Transaction on Industrial Electronics. 2007 Volume:54, Issue:1
[2] Lucian Asiminoael, Danfoss Drives A/S, Graasten, Frede Blaabjerg and Steffan Hansen. Detection is Key – Harmonic detection methods for active power filter application. IEEE Industry Applications Magazine. 2007 Volume:13, Issue:4. [3] Sung-II Jang, Kwang-Ho Kim. An islanding detection method for
distributed generations using voltage unbalance and total harmonic distortion of current. IEEE Transactions on Power Delivery. 2004 Volume:19, Issue:2.
[4] Sunanda W, Yuli Asmi Rahman. Aplikasi Filter Pasif Sebagai Pereduksi Harmonik Pada Inverter Tiga Fase. Jurnal Ilmiah Foristek Vol. 2, No. 1, Maret 2012.
[5] Mitali Shrivastava, Varsha Singh and Swapnajit Pattnaik. Artificial Neural Network Based Harmonic Optimization of Multilevel Inverter to Reduce THD. Procedding of the International Conference on Advances in Computer, Electronic and Electrical Engineering 2012.
[6] Tumbelaka, H.H., Thiang, Marselin. Aplikasi Active Power Filter Tiga Fasa Tipe Seri Berbasis Jaringan Saraf Tiruan Untuk Mengatasi Sumber Tegangan Yang Terdistorsi. SITIA 2011. ITS, Surabaya.
[7] Yudhi Andrian1, M. Rhifky Wayahdi. Analisis Algoritma Inisialisasi Nguyen-Widrow Pada Proses Prediksi Curah Hujan Kota Medan Menggunakan Metode Backpropagation Neural Network. Seminar Nasional, 2014.
