Jaringan Distribusi Listrik Berdasarkan
Laporan Gangguan Pelanggan Menggunakan
Algoritma Genetika
FX Wisnu Yudo Untoro
Abstract
The location disturb of elctrical at the network radial distribution can be to course use report of map disturb from konsumer. Its caused of disturb at the network distribution to make consumen off. So that to decide location of disturb from few of disturb report from consumer by the map same factor from at the off biner. This the search same of map of consumers off biner included query biner which big enough. So for that the same search map process off biner in this discovery use algoritma genetic.
Key words : location of disturb, map of disturb report, query biner, algoritma genetic
Latar Belakang Masalah
Sistem jaringan distribusi radial (Soudi F dan kawan, 1997) merupakan suatu sistem distribusi yang sudah umum dipakai dalam mendistribusikan tenaga listrik dari sumber ke pelang-gannya. Dinamakan radial, hal ini karena saluran distribusi ini di tarik secara radial yakni dari satu titik (yang merupakan) sumber, yang selanjutnya dicabang-cabangkan ke titik-titik beban yang dilayani. Sehingga apabila ada peralatan distribusi listrik yang mengalami gangguan maka peralatan distribusi yang berada dibelakangnya akan mengalami gangguan juga.
Selama mendistribusikan energi listriknya, jaringan distribusi tidak lepas dari berbagai masalah. Salah satu diantaranya adalah masalah gangguan di pelanggan yang menimbulkan pema-daman. Bila masalah ini sering terjadi maka secara tidak langsung
akan
memberikan dampak penilaian yang kurang baik bagi kinerja perusahaan.
Menurut Soudi F (Soudi F dan kawan,1998) layanan gangguan pelanggan merupakan bagian dari manajemen perbaikan layanan. Dan salah satu sasaran dari layanan gangguan yang baik adalah dapat melaksanakan deteksi lokasi gang-guan pada sistem jaringan distribusi secara cepat. Dan pada pelaksanaan deteksi lokasi gangguan ini, bertujuan untuk mem-peroleh satu solusi yang mungkin sebagai lokasi penyebab gangguan yang sedang berlangsung.
Dalam pelaksanaan deteksi lokasi gangguan ini diperlukan alat yang dipergunakan untuk menganalisa gangguan listrik yang sedang berlangsung. Alat tersebut adalah laporan gangguan listrik dari pelanggan terganggu. Laporan gangguan ini terlebih dahulu dijadikan
sebuah node yang menggambarkan suatu pola tertentu dalam peta jaringan distribusi. Dengan menggunakan algoritma genetika, selanjutnya dicari suatu pola dalam jaringan distribusi yang mempunyai similiritas terkecil dengan pola laporan gangguan dari pelanggan terganggu.
Permasalahan
Permasalahan dalam penelitian ini adalah bagaimana mendeteksi lokasi gangguan pada sistem jaringan distribusi listrik berdasarkan peta laporan gangguan dari pelanggan menggunakan algoritma genetika.
Tujuan
Tujuan dalam penelitian ini menentukan lokasi gangguan pada sistem jaringan distribusi berdasarkan peta laporan gangguan dari pelanggan menggunakan algoritma genetika dan mengembangkan suatu model yang dapat membedakan karakteristik karakteristik gangguan dengan biaya komputasi seminimal mungkin.
Tinjauan Pustaka
Sistem Jaringan Distribusi Radial
Sistem jaringan distribusi radial merupakan suatu sistem jaringan distribusi listrik yang sudah umum dipakai dalam hal pendistibusian energi listrik dari sumber listrik hingga ke pelanggan-pelanggannya. Dinamakan jaringan distribusi “Radial”, dikarenakan dalam pelaksanaan pen-distribusian energi listrik salurannya ditarik secara radial yakni dari satu titik sebagai sumber energi listrik yang selanjutnya dicabang-cabangkan hingga mencapai ke titik-titik beban. Titik-titik beban dalam sistem jaringan distribusi radial ini dapat berupa trafo, tiang maupun pelanggan.
Algoritma Genetika
Algoritma genetika (Yi-Shin Chen dan kawan) adalah suatu algoritma yang mengadopsi mekanisme alamiah pemilihan species secara evolusi dan sampai saat ini algoritma ini memiliki kelebihan dalam hal pencarian data dan optimasi. Dasar dari algoritma genetika ini adalah pencarian secara acak dengan setiap nilai dinyatakan sebagai individu. Pemilihan nilai optimal ditentukan oleh nilai fitness dari setiap individu. Secara umum proses algoritma genetika, seperti ditunjukkan pada gambar.1.
Gambar 1. Proses algoritma genetika
Laporan
Algoritma Deteksi Lokasi GangguanListrik Dengan Algoritma Genetika
Algoritma deteksi lokasi gangguan listrik (ADLG) adalah suatu algoritma yang dipakai untuk menemukan lokasi gangguan pada jaringan distribusi yang ditimbulkan oleh gangguan pada satu atau lebih nomor jenis alat berbersifat melindungi penyusun sistem jaringan distribusi listrik radial. Dalam menentukan lokasi gangguan ini ADLG melalui konsep dasar bahwa se-jumlah laporan gangguan dari pelanggan jika diplotkan pada gambar peta jaringan distribusi listrik radial akan menciptakan titik-titik diskrit pelanggan padam demikian pula halnya dengan gangguan pada satu atau lebih alat bersifat melindungi pada sistem jaringan distribusi. Oleh karena keduanya sama-sama menciptakan titik-titik diskrit pelanggan padam maka penentuan lokasi gangguan dari sejumlah laporan gangguan pelanggan padam dengan cara pencarian similiritas titik-titik diskrit pelanggan padam yang tercipta diantara keduanya. Dalam melakukan pencarian similiritas pelanggan padam ini ADLG menggunakan metode heuristik dan yang dipilih adalah algoritma genetika.
Pemilihan algoritma genetika atas dasar penelitian yang telah dilakukan (Yi-Shin Chen dan kawan) di mana dalam memecahkan permasalahan dipecahkannya ke kode kromosom yang terbaik memakai metode persandian. Metode persandian ini sangat efektif dan dapat menjamin pemetaan one-to-one sebagai konsekwensi ruang/spasi penyelesaian yang sepadan dengan pencarian ruang/spasi di dalam algoritma genetika. Pemakaian metode persandian ini sangat sesuai untuk memecahkan permasalahan deteksi lokasi gangguan pada sistem jaringan distribusi di mana banyaknya setiap nama jenis alat bersifat melindungi (trafo dan tiang) dikodekan menjadi kromosom sebagai kon-sekwensi ruang/spasi penyelesaian lokasi gangguan yang menjamin pemetaan one-to-one peta pelanggan padam yang diciptakan sejumlah laporan gangguan pelanggan padam ke kromosom lokasi gangguan. ditunjukkan dalam gambar 2.
Gambar 2. Bagan proses ADLG
Pada gambar 2 menjelaskan proses ADLG ini diawali dari adanya sejumlah laporan gangguan dari pelanggan berupa nomor-nomor pelanggan terganggu. Nomor-nomor pelanggan tersebut selanjutnya di
Tahap berikutnya, proses mapping
laporan gangguan. Pada proses mapping laporan gangguan ini, bentuk peta pelanggan padam dikonversikan kedalam struktur data vektor biner.
Keluaran dari proses mapping ini menjadi masukan bagi proses deteksi lokasi gangguan dengan algoritma genetika sebagai proses menentukan lokasi gangguan. Dalam proses ini mengerjakan proses pencarian kesamaan peta pelanggan padam biner yang dihasilkan oleh sejumlah laporan gangguan dari pelanggan dengan peta pelanggan padam yang dihasilkan oleh gangguan pada satu atau lebih nama je-nis objek alat bersifat melindungi pada sistem jaringan distribusi. Pada proses pencarian kesamaan peta pelanggan padam ini menggunakan metode
algoritma genetika dimana faktor kesamaan peta pelanggan padamnya ditentukan oleh nilai fitness-nya.
Diskripsi Sistem Jaringan Distribusi Radial
Bentuk sistem jaringan distribusi radial dalam penelitian ini diasumsikan seperti dalam gambar 3. Sistem jaringan distribusi radial asumsi ini terdiri atas nama jenis objek alat bersifat melindungi trafo sebanyak 2 buah, tiang sebanyak 9 buah dan pelanggan sebanyak 33 pelanggan.
Gambar 3. Diskripsi jaringan distribusi radial
Spesifikasi Algoritma Genetika -ADLG
Dalam pelaksanaan mendeteksi lokasi gangguan berdasarkan laporan gangguan dari pelanggan terganggu menggunakan algoritma genetika melibatkan:
Definisi individu
Gambar 4. Definisi satu individu
Secara matematis definisi individu ADLG dapat dituliskan
Fitness adalah banyaknya node yang bernilai sama antara individu yang diciptakan oleh gangguan pada satu atau lebih alat bersifat melindungi penyusun SJDL dengan peta
Sedangkan error dinyatakan oleh
(3) = 1/Fitness
Operator-operator yang digunakan. Operator-operator algoritma genetika yang digunakan adalah :
1. Seleksi individu terbaik dengan analogi mesin roullete.
2. Perkawinan silang dengan probabilitas yang dapat ditentukan.
3. Mutasi gen dengan probabilitas yang dapat ditentukan.
4. Elitism
Uji Coba Dan Hasil
Percobaan dilakukan berdasarkan spesifikasi algoritma genetika sebagai berikut :
Jumlah populasi : 10 Probabilitas Cross-Over : 0.9 Probabilitas Mutasi Gen : 0.1 Jumlah generasi : 50
Jumlah laporan dari pelanggan berbeda seperti ditunjukkan di bawah ini.
Data Uji Coba ke 111 2 3 4 5 6 7 8 9 10 Jml Laporan
Gang
0 1 2 3 10 17 25 28 30 31 33
Uji Coba Pada Nplg =1
Nomor pelanggan terganggu
Jumlah beda node
: 1
Grafik generasi terhadap nilai fitness :
Gambar 5. Grafik generasi terhadap nilai fitness
Uji Coba Pada Nplg = 17
Nomor pelanggan terganggu
: 1 3 6 9 11 12 14 15 16 21 22 23 24 26 27 28 30
Trafo padam
: tidak ada
Tiang padam
: 1 2 6 7 9
Jumlah beda node
: 11
Grafik generasi terhadap nilai
fitness :
Gambar 6. Grafik generasi terhadap nilai fitness
Uji Coba Pada Nplg = 33
Nomor pelanggan terganggu
Jumlah beda node
: 0
Grafik generasi terhadap nilai
fitness :
Gambar 8. Grafik generasi terhadap nilai fitness
Dengan spesifikasi algoritma genetika yang berbeda seperti probabilitas kawin silang 80% s/d 90% dan probabilitas mutasi gen sekitar 1% s/d 15 % diperoleh hasil yang sama asalkan definisi individu dan nilai
fitness tidak berubah.
Kesimpulan
Dari hasil uji coba dapat disimpulkan bahwa :
1. Titik-titik padam pelanggan yang berasal dari laporan gangguan dari pelanggan yang selanjut nya diubah dalam bentuk mapping
pelanggan padam dapat
3. Pemakaian jumlah generasi yang tidak terlalu besar, algoritma genetika menghasilkan nilai optimal dengan waktu yang cepat.
Daftar Pustaka
Achmad Basuki, Son Kuswadi, Aplikasi Algoritma Genetika Dengan Kromosom Biner Untuk Menentukan Nilai Optimal fungsi Dengan Banyak Perubah Bebas, Proceeding Industrial Electronics Seminar (IES), PENS-ITS, 1999.
Alphonso Wayne M, Improving Customer Service With Integrated System, AGA/EEI Energy Information Technologi Conference, januari 14, 2002.
Goldberg, D.E, Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Read. MA, 1989.
Soudi F dan Tomsovic K, Towords Optimized Distribution Protection Design, School of Electrical Engineering and Computer Science, Washington State University, Pullman, WA 99164, 1997.
Yi-Shin Chen dan Cyrus Shahabi,