18
BAB III
METODOLOGI PENELITIAN
Dalam bab ketiga ini akan dijabarkan rancangan serta simulasi sistem dari PLTMH. Dalam bab ketiga ini pula akan dibahasperancangan elemen-elemen lain seperti, pemodelan Fuzzy, pengoptimalan parameter PID menggunakan Flower Pollination Algorithm (FPA), serta penentuan parameter yang diperlukan dalam FPA.
Pengendali yang digunakan untuk penelitian ini adalah PID dan Fuzzy Logic Controller. Dengan parameter PID yang akan dioptimalkan menggukanan Flower Pollination Algorithm.
Gambar 3 1 Blok Diagram Sistem PLTMH dengan pengendali Fuzzy PID berbasis FPA
Dari gambar 3.1 di atas dijelaskan bahwa, Perancangan dan pemodelan sistem dibuat di simulink matlab 2020a dengan kriteria seperti diatas. Pada diagram blok diatas terdapat parameter-parameter yang menunjukkan masing-masing bagian dari pembangkit listrik tenaga mikro hidro. Dimulai dari bagian input sistem yang nilainya diperoleh dari besarnya debit air ideal untuk menghasilkan frekuensi keluaran 50 Hz, yang digunakan untuk memutar turbin air. Selanjutnya masuk pada blok Turbin Air yang memiliki parameter Tb. Pada turbin, energi air yang memutar turbin dikonversikan menjadi daya mekanis yang menjadi salah satu nilai masukan untuk generator.
19
Sinyal ∆𝜔 yang berasal dari blok pendeteksi error akan diteruskan ke blok sistem governor, kemudian masuk ke turbin air sebagai input yang diteruskan oleh rate limiter sebagai pembatas sinyal pada saturasi paling tinggi dan paling rendah.
Dari blok pendeteksi error, sinyal akan diteruskan ke blok servomotor yang digunakan sebagai governor. Pada blok ini terdapat parameter Ks dan Ts. Adapun pada sisi output governor ada sinyal yang diumpanbalikkan sebagai nilai masukan pada governor tersebut. Juga output dari governor ini diteruskan ke rate limiter yang berfungsi untuk membatasi sinyal pada nilai saturasi paling tinggi dan paling rendah yang telah ditentukan. Dari keluaran rate limiter ini, diteruskan sebagai masukan pada blok turbin air.
Sinyal keluaran dari generator induksi yang berupa frekuensi ini diumpanbalikkan dengan melewati drop character sebagai unsur kalibrasi dari elektris ke mekanis, di sini akan membandingkan frekuensi yang dikeluarkan generator dengan frekuensi ideal, sehingga selisihnya berupa error debit ideal ini akan diproses oleh turbin air dan berulang seterusnya.
3.1 Langkah Pengujian
Dalam pengujian ini menggunakan satu model PLTMH, dan diberikan empat keadaan atau tahapan dalam pengujian. Pertama, sistem PLTMH tanpa pengendali. Kedua, pengujian sistem PLTMH menggunakan PID yang sudah ditunning dari software Matlab 2020a yaitu dengan nilai Kp=1, Ki=1, dan Kd=0.
Ketiga, pengujian sistem PLTMH dengan pengendali PID yang sudah dioptimasikan menggunakan Flower Pollination Algorithm. Keempat, pengujian sistem PLTMH menggunakan Fuzzy PID yangmana untuk Kp, Ki, dan Kd sudah dioptimasikan menggunakan Flower Pollination Algorithm.
Tujuan dari pengujian ini sendiri adalah untuk mengetahui respon keluaran dari sistem PLTMH ketika pengendalian daya beban dilakukan oleh beberapa kontroler seperti PID, PID berbasis Flower Pollinatin Algrithm, dan Fuzzy PID bebasis Flower Pollination Algorithm. Adapun hasil dari pengujian yang akan dianalisa dari sinyal frekuensi sistem PLTMH berupa risetime, overshoot, undershoot, dan settling time.
20
3.2 Pemodelan Sistem Pembangkit Listrik Tenaga Mikro Hidro (PLTMH) Untuk Langkah pertama adalah perancangan sistem PLTMH secara komplit. Pada gambar 3.2 di bawah ini merupakan gambar rangkaian sistem PLTMH yang dirancang menggunakan software Matlab 2020a yang dilengkapi dengan turbin (air), kemudian motor servo yangmana nantinya motor servo ini akan dijalankan sebagai sistem governor, serata ada generator induksi, dan adapula elemen-elemen lain yang dimanfaatkan guna menjadi sarana pelengkap.
Gambar 3 2 Blok Diagram Sistem PLTMH Tanpa Kendali
Kemudian, pada gambar 3.3 di bawah ini menggambarkan rangkaian sistem PLTMH yang dilengkapi dengan pengendali PID. Untuk parameter Kp, Ki, dan Kd nya sendiri menggunakan settingan dari software Matlab 2020a yang ditunjukkan pada gambar 3.4. Adapun untuk pengendali PID tertala Flower Pollination Algorithm (FPA) sendiri, parameter Kp, Ki, dan Kd nya perlu diinisialisasikan seperti yang ditampilkan pada gambar 3.5.
Gambar 3 3 Blok Diagram Sistem PLTMH Dengan Pengendali PID
21
Gambar 3 4 Blok Parameter PID
Gambar 3 5 Blok Parameter PID Tertala FPA
Sedangkan pada gambar 3.6 di bawah ini menampilkan rancangan sistem PLTMH yang dilengkapi dengan pengendali Fuzzy PID. Untuk pengendali Fuzzy PID ini sendiri dengan rangkaian yang tidak digabungkan dalam satu rangkaian namun dipasang secara paralel.
Gambar 3 6 Blok Diagram Sistem PLTMH Fuzzy PID Tertala FPA
22
Fokus pengendalian frekuensi yang dirancang pada sistem PLTMH ini terlepak pada sistem governor sedangkan penambahan pendeteksi error sendiri akan dimanfaatkan sebagai feedback dari keluaran generator agar kembali ke turbin air. Adapun penambahan pengendalian PID yang langsung dijadikan feedback dari keluaran generator kembali menuju ke masukan generator didasari dengan ketidak terikatan pengendali dengan turbin air. Sebab fokus pengendalian dalam pengujian penelitian ini terletak pada daya beban generator induksi itu sendiri.
Di bawah ini, pada tabel 3.1 akan disajikan data-data parameter yang akan digunakan pada pemodelan sistem PLTMH.
Tabel 3 1 Parameter Sistem PLTMH
Parameter Keterangan Nilai
f Frekuensi Nominal (Hz) 50.00
Tb Respon Waktu Turbin Air (s) 1.00 Tg Respon Waktu Generator
Induksi (s)
13.333
Ts Konstanta Waktu Governor (s)
0.10
K1 Konstanta Penguatan Pendeteksi Error
5.00
K2 Konstanta Penguatan Deviasi Frekuensi
8.520
K3 Konstanta Penguatan Pengatur Pendeteksi Error
0.004
Kg Konstanta Penguatan Pengatur Generator (s)
1.00
Ks Penguatan Pengatur Governor 2.50 T Respon Waktu Pendeteksi
Error
0.02
23 3.3 Pemodelan Fuzzy Logic Controller (FLC)
Fungsi dari sistem Fuzzy Logic Controller (FLC) dengan dua sinyal input seperti ditunjukkan pada gambar 3.7 yaitu, sinyal error yang berasal dari generator induksi dan turunan error (change error) yaitu sinyal error yang berasal dari generator induksi yang telah diturunkan.
. Gambar 3 7 Rangkaian Fuzzy pada Simulink
Secara rinci, FLC terdiri dari empat elemen utama: fuzzifikasi, sistem inferensi fuzzy (fis). Ditampakkan pada gambar 3.8 berikut di bawah ini rule base dan defuzzification yang dipakai dalam pengujian penelitian ini:
Gambar 3 8 Struktur FLC
Fuzzifikasi mengubah nilai numerik ke dalam himpunan fuzzy. Fis yang berguna untuk mengeksekusi semua logika operasi. Rule Base sendiri terdiri dari membership function (MFs) dan aturan kontrol. Himpunan fuzzy harus diubah menjadi nilai riil dengan defuzzifikasi. Efek FLC juga tergantung pada MFs dan rule base. Pilihan MFs tergantung pada domain masalah. Dibandingkan dengan Bell dan MFs trapesium, MFs segitiga umumnya digunakan dalam desain FPID aplikasi waktu nyata karena kesederhanaan dan kemudahan perhitungan.
MF segitiga digunakan dengan lima elemen-elemen fuzzy, seperti positive big (PB), negative big (NB), zero (Z), negative small (NS), dan positive small (PS) sedangkan dalam perhihal untuk menentukan kedua input dan keluaran. MFs untuk error, change error, dan keluaran FLC [23].
24
Pada gambar 3.9 menunjukkan MFs untuk input error fuzzy dan untuk turunan error fuzzy. Sedangkan untuk gambar 3.10 menampilkan MFs untuk outputan Fuzzy Logic Controller (FLC).
Gambar 3 9 Membership Function for Error, and Change Error
Gambar 3 10 Membership Function for Output FLC
25
3.4 Pengoptimalan Parameter Pengendali PID Menggunakan FPA
Gambar 3 11 Diagram Flowchart Optimasi Pengendali PID Berbasis FPA Berdasarkan gambar 3.11 di atas, diagram yang ditujukan merupakan gambar flowchart dari Flower Pollination Algorithm (FPA) yang diterapkan di
26
dalam pengujian penelitian ini untuk menyelaraskan parameter yang satu dengan parameter lainnya dari pengendali PID.
Sedangkan untuk menguji kestabilan sistem PLTMH digunakan fungsi objektif berbasis Integral Time Absolut Error (ITAE) serta dapat pula memudahkan FPA dalam perihal mencari parameter PID yang tepat, script fungsi objektif sendiri akan ditampilkan sebagai berikut :
27
Sedangkan di bawah ini yang akan ditampilkan merupakan proses penentuan dari parameter Kp, Ki, dan Kd yang dapat dicari melalui pseudo code FPA sebagai berikut :
28
Berdasarkan pseudo code FPA di atas yang ditampilkan dapat disimpulkan bahwa penyerbukan secara global dapat dijalankan sewaktu nilai acak yang diberi lebih kecil dari nilai peluangnya, dapat dicari menggunakan persamaan rumus 2.13.
Penyerbukan secara lokal dapat pula dijalankan prosedurnya sewaktu nilai acak lebih besar dari nilai peluangnya maka kita akan lakukan prosedur yang dicari sesuai dengan persamaan rumus 2.21.
Untuk parameter Kp, Ki, dan Kd sendiri diinisialisasikan sebagai x(1), x(2), dan x(3) pada algoritma ini yang mana “x” ini sendiri merupakan perhitungan dari penyerbukan lokal maupun global yang terdapat antara batasan bawah dengan batasan atas. Sehingga sangat penting bagi kita untuk menyadari kemungkinan adanya nilai inisialisasi yang tepat sehingga didapatkan hasil yang diharapkan.
3.5 Pemilihan Parameter FPA
Pemilihan parameter yang digunakan pada Flower Pollination Algorithm (FPA). Pertama adalah population size, untuk populasi bunga sendiri dari angka 10 sampai 25. Kedua probability switch, untuk probabilitas dipakai angka 0 sampai 1.
Ketiga adalah iteration, untuk menentukan iterasi ini sendiri dicari dengan trial and error. Keempat adalah dimension, untuk dimensi kali ini kita gunakan 3 karena ingin mengoptimalkan 3 parameter yaitu Kp, Ki, dan Kd, ketika hanya ingin mengoptimalkan 2 parameter saja, maka dimensi yang digunakan cukup 2. Kelima adalah lower bound dan upper bound, untuk batas bawah dan batas atas dapat dicoba ataupun dicari dengan trial and error pula, program ini dicoba dijalankan dengan sistem PLTMH dengan Kp, Ki, dan Kd yang diatur secara manual.
29
Berikut tabel 3.2 berikut di bawah ini merupakan lampiran parameter FPA yang diperlukan, sebagai berikut:
Tabel 3 2 Parameter Inisialisasi FPA
Populasi Bunga 10
Probabilitas 0.75
Iterasi 5
Dimensi 3
Batas Bawah PID [0 0 0]
Batas Atas PID [5 1 1]
