PERENCANAAN OPERASI JANGKA PENDEK PADA SISTEM JAWA
BALI BERDASARKAN KRITERIA PROBABILISTIK
Sarjiya, Avrin Nur Widiastuti, Muhammad Alfi
Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik UGMJl. Grafika 2 Yogyakarta 55281
sarjiya@te.ugm.ac.id, apink@te.ugm.ac.id, m_alfi@yahoo.com Abstrak—Sesuai dengan perecanaan pengembangan Sistem
Jawa Bali yang telah dibuat oleh PT. PLN (Persero), akan dibangun 2 buah unit PLTU dengan kapasitas masing-masing 1000 MW. Dengan masuknya unit tersebut maka akan mempengaruhi strategi operasi penjadwalan pembangkit secara keseluruhan, termasuk kualitas keandalan yang dimiliki sistem. Kualitas keandalan ini direpresentasikan melalui indeks EUE (Expected Unserved Energy) dan berkaitan erat dengan kapasitas cadangan putar yang harus dibangkitkan sistem. Pada makalah ini, besarnya cadangan berputar ditentukan dengan kriteria probabilistik. Selain untuk mendapatkan strategi penjadwalan yang ekonomis, studi ini bertujuan untuk mengetahui hubungan besar tingkat keandalan terhadap biaya total operasi (Expected Total Cost/ETC) Sistem Jawa Bali dan mendapatkan skenario terbaik dengan ETC terendah. Untuk itu dilakukan simulasi dengan memvariasikan parameter besarnya EUE, standar deviasi, probabilitas level beban dan biaya EUE. Hasil simulasi menunjukan bahwa skenario terbaik selalu terjadi pada skenario 3 dengan level beban tinggi, karena mampu menghasilkan cadangan putar terendah dan biaya pembangkitan (Expected Generation Cost/EGC) terendah juga dicapai pada kondisi ini. Sementara itu, hasil simulasi menunjukkan bahwa ETC lebih dipengaruhi oleh EGC dibanding ERC (Expected Risk Cost).
Kata kunci: kriteria probabilistik, cadangan berputar, Expected Unserved Energy, Expected Total Cost, skenario terbaik
I. PENDAHULUAN
Perkembangan yang amat signifikan dalam pemanfaatan energi listrik dewasa ini, mengakibatkan konsumsi energi tumbuh dengan pesat. Berdasarkan laporan PLN di awal tahun 2012, konsumsi listrik nasional selama empat bulan pertama 2012 naik 10,9% dibandingkan periode yang sama tahun yang lalu [1]. Untuk menanggulangi pertumbuhan energi listrik yang pesat ini perlu diimbangi dengan peningkatan kapasitas pembangkit, sehingga kebutuhan energi dapat terpenuhi secara merata. Dalam rangka mengantisipasi perkembangan kebutuhan energi listrik ini PT PLN telah merencanakan membangun pembangkit baru di Jawa Tengah berkapasitas 2x1000 MW. Pembangkit baru ini akan menjadi pembangkit dengan kapasitas terbesar yang terdapat pada sistem tenaga listrik 500 kV Sistem Jawa Bali, sehingga akan mempengaruhi strategi penjadwalan secara keseluruhan, termasuk kualitas keandalan yang dimiliki sistem.
Kualitas keandalan operasi sistem direpresentasikan melalui indeks keandalan EUE. Indeks ini menunjukan besarnya ekspektasi total energi yang tidak akan terlayani
oleh total kapasitas pembangkitan. EUE berkaitan erat dengan besar cadangan putar yang dioperasikan pada sistem. Semakin besar cadangan putar maka akan menghasilkan EUE yang semakin rendah. Sedangkan dalam setiap operasi sistem dituntut untuk menghasilkan biaya operasi yang minimal. Sistem operasi dengan cadangan putar yang terlalu besar mengakibatkan operasi yang tidak ekonomis, Namun disisi lain, keandalan harus diperhatikan dengan menyediakan cadangan putar. Untuk mencapai batasan tingkat keandalan dan keekonomisan operasi tersebut maka penentuan cadangan berputar digunakan kriteria probabilistik yang memungkinkan penjadwalan cadangan putar disesuaikan dengan tingkat keandalan yang diharapkan [2].
Penelitian tentang penentuan strategi penjadwalan pembangkit dengan menggunakan kriteria probabilistik telah dilakukan dan telah diuji dengan sistem standar IEEE 26 bus dengan 10 buah pembangkit thermal [5]. Penjadwalan dilakukan dalam operasi jangka pendek yaitu dengan durasi selama 1 hari (24 jam). Estimasi biaya operasi diperoleh dengan menghitung biaya pembangkitan tiap unit untuk memenuhi tiap level beban, termasuk biaya start-up dan shut-down dalam satu interval penjadwalan.
Pada makalah ini akan disampaikan penentuan strategi penjadwalan pembangkit yang diterapkan pada sistem tenaga listrik yang nyata yaitu Sistem Tenaga Listrik Jawa Bali. Pada penjadwalan ini hanya melibatkan pembangkit termal saja, sedangkan unit pembangkit non thermal diabaikan. Diasumsikan bahwa pembangkit non thermal seperti unit pembangkit hidro dan geothermal dioperasikan sebagai penyuplai beban dasar (base load) serta tidak dilibat dalam perhitungan biaya total [4]. Proses simulasi dilakukan dengan menggunakan perangkat lunak optimasi komersial CPLEX v10.0 dengan metode optimasi MILP (Mixed Integer Linear Programming).
Hasil akhir dari simulasi ini berupa ETC yang merupakan total antara EGC dan ERC. Selain itu, akan ditentukan skenario terbaik berdasarkan skenario yang mampu menghasilkan biaya ETC terendah. Beberapa aspek yang diperhatikan dalam proses penjadwalan operasi ini, antara lain :
Aspek ketidakpastian sistem, baik dari sisi beban (eror peramalan beban), maupun dari sisi pembangkit.
Aspek ekonomi, melalui evaluasi dari ekspektasi total biaya yang diperoleh dalam tiap skenario penjadwalan.
Pertimbangan keandalan sistem, berdasarkan indeks EUE yang ditentukan.
II. SKENARIO PENJADWALAN BERDASARKAN
PROBABILISTIC CRITERION
Dengan memperhatikan ketidakpastian beban akan terbentuk tiga level beban [5], yaitu level beban rendah (Low Level/(LL), beban menengah (Medium Level/ML) dan beban tinggi (High Level/HL), sehingga memungkinkan terdapat tiga skenario penjadwalan. Kemungkinan skenario yang dapat dibangun dalam studi ini ditunjukan pada Tabel I.
Skenario 1 dengan UC (unit commitment) level rendah yang berarti penentuan penjadwalan pembangkit ditentukan berdasarkan prediksi beban level rendah. Sedangkan pada skenario 2 beban yang dijadikan dasar dalam simulasi penjadwalan digunakan prediksi beban pada level menengah. Begitu pula pada skenario 3 digunakan level beban tinggi untuk dasar simulasi penjadwalan.
TABEL I. Skenario Penjadwalan
Skenario Strategi UC Level
Beban
1 UC level rendah LL
2 UC Level menengah ML
3 UC level tinggi HL
A. Diagram Alir
Diagram alir penelitian ditunjukkan oleh Gambar 1.
III. FORMULASI PERMASALAHAN
Batasan keandalan yang digunakan adalah sebagai berikut
𝐸𝑈𝐸𝑡𝑜𝑡 − 𝐸𝑈𝐸𝑚𝑎𝑥 ≤ 0 (1)
EUEmax merupakan batasan level keandalan yang ingin dicapai dalam metode ini. Sedangkan EUEtot merupakan level keandalan yang dihasilkan oleh penjadwalan. Sehingga jika dalam satu tahap penjadwalan belum dicapai cadangan putar yang mampu menghasilkan EUEtot yang lebih kecil atau sama dengan nilai EUEmax, maka nilai cadangan putar akan ditingkatkan hingga mampu memenuhi batasan level keandalan yang ditentukan (EUEmax).
A. Formulai UC Berdasarkan metode MILP 1) Fungsi Objektif
Fungsi objektif dalam bentuk mixed integer linear programming (MILP) dapat diformulasikan sebagai berikut : min 𝐶𝑃𝑖𝑡+ 𝐶𝑈𝑖𝑡 𝐼 𝑖=1 𝑇 𝑡=1 (2) Dimana 𝐶𝑃𝑖𝑡 dan 𝐶𝑈𝑖𝑡 merepresentasikan biaya produksi dan biaya start-up.
Biaya produksi
Fungsi biaya bahan bakar diaproksimasikan dengan menggunakan segmen-segmen garis lurus [6], sebagaimana ditunjukan pada Gambar 2. Dalam studi ini, digunakan 3 segmen garis F1i, F2i, dan F3i, merepresentasikan gradien (slop) dari segmen l=1, l=2, dan l=3 unit i [4]. Sedangkan δ merepresentasikan daya yang dibangkitkan oleh masing-masing segmen, sehingga 𝛿1𝑖𝑡
merepresentasikan daya yang dibangkitkan oleh unit i pada segmen l=1, 𝛿2𝑖𝑡 pada segmen l=2, dan 𝛿3𝑖𝑡 pada segmen l=3. Konstanta 𝐴𝑖 menunjukan biaya produksi pada saat daya keluaran minimum (𝑃𝑚𝑖𝑛 ,𝑖). Nilai 𝐴𝑖 dihitung dengan persamaan berikut
𝐴𝑖 = 𝑎𝑖+ 𝑏𝑖𝑃𝑚𝑖𝑛 ,𝑖+ 𝑐𝑖𝑃𝑚𝑖𝑛 ,𝑖2 $/ (3)
Gambar 2. Segmen fungis biaya produksi
Representasi analitis untuk pendekatan linear diatas adalah
𝐶𝑃𝑖𝑡 = 𝐴𝑖𝑈𝑖𝑡 𝐹𝑙𝑖𝛿𝑙𝑖𝑡, 𝑁𝐿
∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇
𝑃𝑖𝑡 = 𝛿𝑙𝑖𝑡 𝑁𝐿 𝑙=1 + 𝑃𝑚𝑖𝑛 ,𝑖𝑈𝑖𝑡, ∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇 (5) 𝛿1𝑖𝑡 ≤ 𝑃𝑇 1𝑖− 𝑃𝑚𝑖𝑛 ,𝑖 𝑈𝑖𝑡, ∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇 (6) 𝛿2𝑖𝑡 ≤ 𝑃𝑇2𝑖− 𝑃𝑇1𝑖 𝑈𝑖𝑡, ∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇 (7) 𝛿3𝑖𝑡 ≤ 𝑃𝑚𝑎𝑥 ,𝑖− 𝑃𝑇2𝑖 𝑈𝑖𝑡, ∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇 (8) 𝛿𝑙𝑖𝑡 ≥ 0, ∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇 (9) Biaya Start
Biaya start yang merupakan fungsi eksponensial diaproksimasikan dengan fungsi tangga (stair wise function) sebagaimana ditunjukan pada Gambar 3.
𝐶𝑈𝑖𝑡≥ 𝐾𝑖 𝑞 𝑈𝑖𝑡− 𝑈 𝑖𝑡−𝑟 𝑞 𝑟=1 , ∀𝑖 ∈ 𝐼, ∀𝑡 (10) 𝐶𝑈𝑖𝑡≥ 0, ∀𝑖 ∈ 𝐼, ∀𝑡 ∈ 𝑇 (11)
Gambar 3. Fungsi eksponensial dan tangga untuk biaya start
𝐾𝑖𝑞 ini dapat didefinisikan sebagai berikut :
𝐾𝑖𝑞= 𝐻𝑆𝑇𝑖, 𝑗𝑖𝑘𝑎 𝑞 = 1 … ≤ 𝑇𝑐𝑜𝑙𝑑 ,𝑖+ 𝑀𝐷𝑇𝑖 𝐶𝑆𝑇𝑖, 𝑗𝑖𝑘𝑎 𝑞 = 𝑇𝑐𝑜𝑙𝑑 ,𝑖+ 𝑀𝐷𝑇𝑖+ 1 … 𝑁𝐷
(12)
2) Kekangan Minimum Up Time dan Minimum Down Time
Formulasi minimum up time dan minimum down time berbasis MILP adalah sebagai berikut.
1 − 𝑈𝑖𝑡 = 0 𝑉𝑖 𝑡=1 , ∀𝑖 ∈ 𝐼 (13) 𝑈𝑖 𝑞 𝑡+𝑀𝑈𝑇𝑖−1 𝑞 =𝑡 ≥ 𝑀𝑈𝑇𝑖 𝑈𝑖𝑡− 𝑈𝑖𝑡 , ∀𝑖 ∈ 𝐼, ∀𝑡 = 𝑉𝑖= 1 … 𝑇 − 𝑀𝑈𝑇𝑖+ 1 (14) 𝑈𝑖𝑞− 𝑈𝑖𝑡− 𝑈𝑖𝑡−1 𝑇 𝑞 =𝑡 ≥ 0, ∀𝑖 ∈ 𝐼, ∀𝑡 = 𝑇 − 𝑀𝑈𝑇𝑖+ 2 … 𝑇 (15)
Dimana Vi adalah jumlah periode awal (initial period) yang selama itu unit i hidup. Secara matematis, Vi dinyatakan dengan :𝑉𝑖 = 𝑀𝑖𝑛 𝑇, 𝑀𝑈𝑇𝑖− 𝑇𝑜𝑛 ,𝑖0 𝑈𝑖0 .
Dengan analogi yang sama, minimum down time dapat diformulasikan sebagai berikut :
𝑈𝑖𝑡 = 0 𝑊𝑖 𝑡=1 , ∀𝑖 ∈ 𝐼 (16) [1 − 𝑈𝑖𝑞] 𝑡+𝑀𝐷𝑇𝑖−1 𝑞 =𝑡 ≥ 𝑀𝐷𝑇𝑖 𝑈𝑖𝑡−1− 𝑈𝑖𝑡 , ∀𝑖 ∈ 𝐼, ∀𝑡 = 𝑊𝑖 = 1 … 𝑇 − 𝑀𝐷𝑇𝑖+ 1 (17) 1 − 𝑈𝑖𝑞− 𝑈𝑖𝑡− 𝑈𝑖𝑡−1 𝑇 𝑞 =𝑡 ≥ 0, ∀𝑖 ∈ 𝐼, ∀𝑡 = 𝑇 − 𝑀𝐷𝑇𝑖+ 2 … 𝑇 (18) Dimana Wi adalah jumah periode awal (initial period) yang selama itu unit i mati. Secara matematis, Wi dinyatakan dengan :𝑊𝑖= 𝑀𝑖𝑛 𝑇, 𝑀𝐷𝑇𝑖− 𝑇𝑜𝑓𝑓 ,𝑖0 (1 − 𝑈𝑖0)
3) Permodelan Ketidakpastian Beban
Dalam tugas akhir ini permasalahan ketidakpastian beban direpresentasikan melalui fungsi distribusi normal diskret dengan tiga level beban [5], yaitu rendah, sedang dan tinggi. Fungsi tersebut ditunjukan pada Gambar 4. Nilai rata-rata beban hasil peramalan pada waktu sesaat t ditunjukan dengan FD(t) dan deviasi standar ditunjukan dengan σ(t). Pada umumnya, semakin lama waktu penjadwalan (lead time) semakin besar error yang terjadi [7].
Gambar 4. Fungsi distribusi normal diskret
Dengan asumsi bahwa standard deviasi meningkat secara linear dengan semakin lamanya waktu, maka dapat dibuat persamaan sebagai berikut :
𝜎 𝑡 = 𝜎 1 +𝜎 𝑇 − 𝜎 1 𝑇 − 1 𝑡 − 1 (19) 𝐷𝐿𝐿𝑡 = 𝐹𝐷 𝑡 − 𝜎 𝑡 𝐹𝐷(𝑡) (20) 𝐷𝑀𝐿𝑡 = 𝐹𝐷 𝑡 (21) 𝐷𝐻𝐿𝑡 = 𝐹𝐷 𝑡 + 𝜎 𝑡 𝐹𝐷(𝑡) (22)
Keseluruhan ketiga level beban disimbolkan dalam 𝐹𝐷 𝑡 − 𝜎 𝑡 𝐹𝐷(𝑡), 𝐹𝐷 𝑡 , dan 𝐹𝐷 𝑡 + 𝜎 𝑡 𝐹𝐷(𝑡), yang secara berturut-turut merepresentasikan beban rendah, medium dan tinggi dalam perhitungan UC.
4) Permodelan Ketidaktersediaan Unit Pembangkit Dalam studi ini, ketidaktersediaan unit pembangkit dimodelkan dengan model Markov 2-state [8][5][6] yang ditampilkan dalam Gambar 3.4.
Probabilitas sebuah unit pembangkit berada down state di akhir lead time T dinyatakan dengan persamaan ORR (outage replacement rate) sebagai berikut:
𝑃 𝑑𝑜𝑤𝑛 = 𝜆𝑇 (23)
B. Perhitungan Komponen Biaya
1) Perhitungan Perkiraan Biaya Pembangkit
𝐸𝐺𝐶𝑘= 𝑃𝐿𝑗 3 𝑗 =1
𝐺𝐶𝑗𝑘 (24)
2) Perhitungan Perkiraan Biaya Resiko
𝐸𝑈𝐸𝑡,𝑗𝑘,𝑚= 𝑃𝑅𝑠 𝐿𝑂𝑆𝑆𝑠 𝐿𝑂𝐴𝐷𝑡,𝑗− 𝐶𝑅𝑠 𝑁𝑆 𝑠=1 (25) 𝐸𝑈𝐸𝑡𝑜𝑡𝑘,𝑚 = 𝐸𝑈𝐸𝑡,𝑡𝑜𝑡𝑘,𝑚 𝑇 𝑖=1 (26) 𝐸𝑅𝐶𝑘= 𝐸𝑈𝐸𝑡𝑜𝑡 𝑘,𝑚 𝑥 𝐸𝑈𝐸 −𝑎𝑟𝑔𝑎 (27)
3) Perhitungan Perkiraan Biaya Total
𝐸𝑇𝐶𝑘= 𝐸𝐺𝐶𝑘+ 𝐸𝑅𝐶𝑘, (28) Untuk mendapatkan sekenario terbaik berdasarkan ETC termurah dengan mempertimbangkan ketidakpastian di sisi pembangkit dan di sisi beban seperti dirumuskan pada Persamaan 3.34 berikut.
𝑆𝑘𝑒𝑛𝑎𝑟𝑖𝑜 𝑡𝑒𝑟𝑏𝑎𝑖𝑘 = 𝑚𝑖𝑛{𝐸𝑇𝐶1… 𝐸𝑇𝐶𝑘} (29)
IV. HASILDAN PEMBAHASAN
A. Analisis Sensitifitas
Analisis sensitifitas dimaksudkan untuk mengetahui pengaruh perubahan parameter yang ada terhadap biaya operasi total. Beberapa parameter yang akan diuji dalam studi ini antara lain level keandalan (EUEmax), standard deviasi, akurasi peramalan beban dan harga EUE. Analisis sensitifitas salah satu parameter dilakukan dengan membuat parameter lainnya dalam keadaan konstan.
1) Pengaruh Variasi Level Keandalan
Perbandingan ETC untuk tiap skenario terbaik ditampilkan pada Gambar 6 berikut.
Gambar 6 Grafik pengaruh variasi EUEmax terhadap EGC dan skenario
terbaik
Dari Gambar 6 terlihat bahwa semakin kecil persentase EUEmax dari beban total menghasilkan biaya total pembangkitan (ETC) yang semakin besar. Hal ini dikarenakan untuk setiap penurunan persentase EUEmax mengakibatkan semakin tingginya nilai cadangan putar yang harus dibangkitkan, sehingga membuat biaya pembangkitan EGC akan semakin meningkat seperti yang terlihat pada grafik.
Sedangkan skenario terbaik selalu terjadi pada skenario 3 dengan level beban tinggi. Meskipun skenario 3 memiliki biaya ERC yang paling tinggi, akan tetapi selisih biaya ERC untuk tiap skenario tidaklah signifikan dibandingkan selisih EGC, sehingga EGC lebih berpengaruh. Hal ini terlihat pada grafik perbandingan selisih harga EGC dan ERC pada Gambar 7 berikut.
Gambar 7 Grafik perbandingan EGC dan ERC untuk tiap skenario
2) Pengaruh Error Peramalan Beban
Perbandingan nilai ETC untuk tiap skenario terbaik ditunjukan pada Gambar 8. Berdasarkan Gambar 8 terlihat bahwa semakin besar standard deviasi, maka harga ETC cenderung semakin rendah untuk setiap skenario terbaik. Sedangkan skenario terbaik selalu berada pada skenario ketiga. Hal ini dipengaruhi oleh cadangan putar terendah terjadi pada skenario 3 sehingga biaya EGC semakin menurun. Selisih EGC antara tiap skenario memiliki nilai yang lebih signifikan dibanding selisih nilai ERC. Selisih biaya resiko (ERC) antar skenario hanya mencapai orde puluhan juta, sedangkan selisih EGC mencapai orde ratusan juta. Oleh karena itu, EGC lebih berpengaruh dalam biaya total ETC.
82.00 84.00 86.00 88.00 90.00 92.00 94.00 1 2 3 0.50% 0.30% 0.10% 0.05% ET C d al am m ily ar r u p ia h sk e n ar io
EUEmax (% dari beban) skenario terbaik ETC -2 -1 0 1 1 2 3 se lis ih h ar ga d al am m ily ar r u p ia h skenario ERC EGC
Gambar 8 Grafik pengaruh standard deviasi terhadap EGC dan skenario terbaik
3) Pengaruh Akurasi Peramalan Beban
Hasil simulasi untuk setiap skenario terbaik seperti pada grafik Gambar 9. Grafik tersebut menunjukkan bahwa semakin baik akurasi peramalan beban maka ETC semakin rendah. Hal ini disebabkan oleh semakin baiknya akurasi peramalan beban, maka mengakibatkan semakin kecilnya kebutuhan cadangan putar. Dengan semakin kecilnya cadangan putar, maka EGC semakin kecil. Skenario terbaik terjadi pada skenario ketiga, disebabkan pada skenario ini memiliki biaya EGC terkecil. Sedangkan diketahui bahwa nilai EGC lebih berpengaruh terhadap ETC, karena selisih EGC lebih signifikan dibanding dengan selisih ERC untuk tiap skenarionya.
Gambar 9 Grafik pengaruh probabilitas beban menengah terhadap EGC dan skenario terbaik
4) Pengaruh Biaya EUE
Grafik Pengaruh biaya EUE terhadap ETC dan sekenario terbaik untuk setiap biaya EUE seperti pada Gambar 10 berikut
Gambar 10 Grafik pengaruh variasi biaya EUE terhadap EGC dan skenario terbaik
Biaya EUE merupakan biaya kompensasi yang muncul akibat adanya sejumlah beban/konsumen yang tidak terlayani, sehingga menimbulkan kerugian pada sisi konsumen. Peningkatan nilai EUE merupakan sebuah nilai asumsi yang dilakukan, karena seiring dengan semakin tingginya nilai guna listrik dan perkembangan dunia industri memungkinkan biaya EUE yang semakin meningkat. Hal ini dikarenakan jika terjadi pemadaman akan menimbulkan kerugian dan ketidakpuasan pelanggan yang lebih besar sehingga berdampak kepada semakin tingginya biaya EUE.
Kurva pada Gambar 10 menunjukan bahwa bila biaya EUE mencapai nilai Rp 21 juta/MWh, terlihat peranan biaya ERC terhadap ETC. Skenario terbaik beralih ke skenario 2, karena pada kondisi ini menghasilkan EUE yang lebih rendah. ERC akan semakin mempengaruhi ETC dengan semakin besarnya biaya EUE. Oleh karena itu, dengan semakin tingginya harga EUE, faktor ERC menjadi salah satu yang harus diperhatikan guna mencapai ETC yang lebih ekonomis. Salah satu cara mengurangi nilai ERC adalah dengan meningkatkan cadangan putar pada sistem, sehingga mampu menekan nilai EUE yang menjadi penentu besar kecilnya ERC. B. Pengaruh Sebelum dan Sesudah Masuknya Unit 1000
MW
Dengan menggunakan data pembebanan dalam periode 24 jam yang sama, dilakukan penjadwalan pada kondisi sebelum adanya tambahan 2 buah unit 1000 MW. Dengan membandingkan Gambar 11 dan 12, terlihat bahwa komposisi penggunaan pembangkit termal HSD berkurang jauh pada kondisi setelah masuknya 2 buah unit pembangkit baru. Pada Gambar 12, pembangkit termal HSD hanya melayani 0,3% dari total beban selama 24 jam. Hal ini dikarenakan sisa beban sudah mampu dilayani oleh PLTU dan PLTGU yang berbahan bakar gas dengan total mencapai 94% dari total beban. Dengan minimnya penggunaan pembangkit berbahan bakar HSD yang memiliki biaya bahan bakar yang tinggi, maka mampu menekan biaya produksi total (ETC). Perbandingan ETC, EGC, ERC dari kondisi sebelum dan sesudah masuknya unit pembangkit 1000 MW ditampilkan pada Tabel II.
84.6 84.8 85 85.2 85.4 85.6 85.8 1 2 3 1-1% 1-2% 1-3% 1-4% ET C d al am m ily ar r u p ia h sk e n ar io standard deviasi Skenario Terbaik ETC 84.0 84.5 85.0 85.5 86.0 1 2 3 0.4 0.6 0.8 0.9 ET C d al am m ily ar r u p ia h sk e n ar io
probabilitas beban menengah skenario terbaik ETC 82 83 84 85 86 87 88 1 2 3 ET C ( R p m ily ar ) sk e n ar io
biaya EUE (Rp juta/MWh) skenario terbaik ETC
Gambar 11 Komposisi bahan bakar unit pembangkit sebelum masuknya unit 1000 MW
Gambar 12 Komposisi bahan bakar unit pembangkit setelah masuknya unit 1000 MW
Dari Tabel II terlihat bahwa dengan masuknya 2 buah pembangkit 1000 MW mampu meminimumkan ETC dan juga mampu meningkatkan tingkat keandalan sistem yang teramati melalui lebih rendahnya nilai ERC yang dihasilkan.
Tabel II Perbandingan EGC, ERC,dan ETC kondisi EGC (milyar rupiah) ERC (milyar rupiah) ETC (milyar rupiah) sebelum masuknya 1000 MW (88 unit) 86,603 4,951 91,554 sesudah masuknya 1000 MW (90 unit) 84,171 1,755 85,926 V. KESIMPULAN
Penentuan strategi penjadwalan dengan menggunakan kriteria probabilistic menghasilkan penjadwalan operasi yang mampu mengikuti tingkat keandalan (EUE) yang diinginkan. Hasil analisis sensitivitas menunjukkan bahwa:
a. Semakin tinggi tingkat keandalan yang diinginkan maka konsekuensinya biaya operasi total semakin tinggi dan strategi terbaik adalah skenario 3. b. Semakin besar standar deviasi maka total biaya
cenderung turun dan strategi terbaik adalah skenario 3.
c. Semakin tinggi akurasi peramalan beban menghasilkan biaya total yang semakin kecil dan strategi terbaik selalu jatuh pada skenario 3. d. Semakin tinggi harga EUE maka biaya total juga
semakin meningkat dan strategi terbaik berubah seiring meningkatkan harga EUE.
VI. REFERENSI
[1] Latief, s. (2012, Mei 18). siapa pengguna listrik terbesar di awal 2012. Diambil kembali dari bisnis.vivanews.com:
http://bisnis.vivanews.com/news/read/314752-siapa-pengguna-listrik-terbesar-di-awal-2012 [2] Simopoulus, D. (2005). Unit Commitment with
Probabilistic Spinning Reserve Assesment Using Simulated Annealing. National Technical University of Athens.
[3] Wood, A. J., & Woolenberg, B. F. (1996). Power Generation Operation and Control . New York: John Wiley and Sons.
[4] Budiman, F. N. (2009). Penjadwalan Unit Pembangkit Termal Dengan Memperhitungkan Kekangan Emisi Lingkungan dan Ketidakpastian Sistem. Yogyakarta: Universitas Gadjah Mada.
[5] Sarjiya. (2007). Short-Term Operating Strategy with Consideration of Bilateral Contract and System Uncertainty. Chulalongkorn University. [6] M, C., & M, A. J. (2006). A computationally
efficient mixed-integer linear formulation for the thermal unit commitment problem. Power Systems, IEEE Transactions on. 21 , 1371-1378. [7] Douglas, A. P., Briepohl, A. M., Lee, F. N., &
Adapa, a. R. (1998). The impact of Temperature Forecast Uncertainty on Bayesian Load Forecasting. Power System, IEEE Transaction on 13 , 1507-1513.
[8] Billinton, R., & Allan, R. N. (1996). Reliability Evaluation of Power System. New York: Plenum Press. 0 5000 10000 15000 20000 1 4 7 10 13 16 19 22 D a y a (M W )
waktu penjadwalan (jam) HSD MFO gas alam batu bara 0 5000 10000 15000 20000 1 4 7 10 13 16 19 22 b e b an (M W )
waktu penjadwalan (jam)
HSD MFO gas alam batubara
