PENJADWALAN OPERASI EKONOMIS PLTD AMPENAN MENGGUNAKAN ALGORITMA GENETIKA

1

Muhammad Aghung Trisna Wiyadhi¹, I Made Ari Nrartha², dan Supriyatna³

Abstrak

Penjadwalan unit pembangkit tenaga listrik merupakan kombinasi on-off unit pembangkit untuk memenuhi permintaan kebutuhan daya listrik pada rentang waktu tertentu. Penelitian ini bertujuan untuk mendapatkan biaya pembangkitan ekonomis pada penjadwalan operasi pembangkit di PLTD Ampenan selama periode waktu 1 Minggu. Penelitan ini menerapkan metode Algoritma Genetika dalam menyelesaiakan permasalahan penjadwalan ekonomis unit pembangkit menggunakan bahasa pemrograman python 3.6.2. Algoritma Genetika mampu memenuhi permintaan beban dengan pola penjadwalan unit pembangkit yang berbeda. Total biaya yang dapat di hemat menggunakan Algoritma Genetika untuk penjadwalan PLTD Ampenan selama periode waktu 1 Minggu (168 jam) adalah sebesar Rp.6.298.125.002,- atau 38,52% dari total operasi pembangkitan eksisting PLN.

Kata kunci : Penjadwalan ekonomis, PLTD Ampenan, Algoritma Genetika Abstract

Scheduling of power plant (unit commitment) is a combination of on-off generating units to meet the demand for electric power needs at a certain time period. This study aims to obtain the optimum economic generation costs of PLTD Ampenan operation over 1 week time period. This research applies Genetic Algorithm by using python version 3.6.2. Genetic Algorithm is able to fulfill the following load demand with different combination variation of scheduling power plant units. The total costs that can be saved by using Genetic Algorithm is Rp. 6.298.125.002,- or 38,53% from the total PLTD Ampenan generation costs over 1 week time periode (168 hours)

Keyword : Unit Commitment, PLTD Ampenan, Genetic Algorithm

PENDAHULUAN

Beban listrik selalu berubah setiap saat mengikuti pola penggunaan beban oleh konsumen. Secara umum perubahan beban tersebut menghasilkan pola karakteristik beban yang berbeda-beda pada setiap sektornya. Pada sektor rumah tangga biasanya akan sangat fluktuatif dimana kebutuhan konsumsi pada malam hari akan cenderung lebih tinggi dibandingkan siang harinya. Sedangkan pada sektor lain seperti industri cenderung memiliki pola beban yang merata setiap waktunya.

Penjadwalan unit pembangkit merupakan kombinasi on-off unit pembangkit untuk memenuhi permintaan kebutuhan daya listrik pada rentang waktu tertentu sehingga dapat memenuhi kebutuhan beban dengan tujuan mendapatkan biaya operasi yang minimum.

Tujuan yang diharapkan dari penelitian ini yaitu memendapatkan perbandingan biaya pembangkitan yang dihasilkan oleh PLTD Ampenan dengan Metode Algoritma Genetika.

Banyak penelitian dan metode yang telah dilakukan seperti metode konvensional dan kecerdasan buatan untuk menyelesaikan permasalahan penjadwalan unit pembangkit untuk mendapatkan biaya ekonomis. Tugas akhir ini mengusulkan metode Algoritma Genetika dalam menyelesaikan permasalahan penjadwalan pembangkit di PLTD Ampenan. Ada tiga keunggulan dari aplikasi Algoritma Genetika dalam proses optimasi yaitu, pertama Algoritma Genetika tidak terlalu banyak memerlukan persayaratan matematika. Kedua Algoritma Genetika dapat diaplikasikan pada beberapa jenis fungsi objektif dengan beberapa fungsi pembatas baik berbentuk linier maupun nonlinier.

Ketiga, operasi evolusi dari Algoritma Genetika sangat efektif untuk mengobservasi posisi global secara acak serta Algoritma Genetika mempunyai fleksibilitas untuk diimplementasikan secara efisien pada problematika tertentu.

2

Operasi Sistem Tenaga Listrik

Operasi sistem tenaga listrk harus dapat mengikuti perubahan beban aktif dan reaktif yang dibutuhkan oleh sistem. Karena energi listrik tidak bisa disimpan dalam jumlah yang besar maka dalam opersinya, sistem tenaga listrik memerlukan cadangan berputar yang cukup.

Cadangan berputar adalah sisa pembangkitan dari total pembangkit yang beroperasi dikurangi oleh beban saat itu. Kapasitas cadangan berputar minimal adalah sebesar kapasitas terbesar dari pembangkit yang beroperasi. Lepasnya satu pembangkit dari sistem tidak akan mengurangi jumlah beban yang dilayani. (Nrartha dan Sultan, 2014)

Karakteristik Input-Output Pembangkit

Karakteristik ini menyebabkan hubungan antara input pembangkit sebagai fungsi dari output pembangkit. Persamaan karakteristik input- output pembangkit menyatakan hubungan antara jumlah bahan bakar yang dibutuhkan untuk menghasilkan daya tertentu pada pembangkit tenaga listrik yang didekati dengan fungsi polynomial, yaitu :

𝐶𝐹𝑖 (𝑃𝑖) = 𝑎_𝑖+ 𝑏𝑖𝑃𝑖𝑐𝑖𝑃²𝑖

(Rp/MW)

(1) Untuk menggambarkan karakteristik input-output, input kotor direpresentasikan sebagai input total yang diukur dalam rupiah per jam dan output bersih pada suatu Plant adalah output daya listrik dalam MW yang disediakan oleh sistem pembangkit tenaga listrik (Wood dan Wollenberg, 1996).

Gambar 1 Kurva karakteristik input-output unit pembangkit termal (Marsudi,2006)

Penjadwalan Unit Pembangkit

Unit adalah satuan pembangkit tenaga listrik.

Commit dari suatu unit pembangkit adalah mengoperasikan unit pembangkit tersebut sehingga dalam kondisi on. Pada kondisi tersebut, unit pembangkit akan dihubungkan dan disinkronkan dengan sistem, sehingga dapat mengirimkan tenaga listrik pada jaringan. Tujuan dari Penjadwalan Pembangkit adalah penjadwalan unit pembangkit yang dioperasikan untuk melayani beban sistem. Dengan sejumlah keputusan untuk menghidupkan atau mematikan unit-unit pembangkit sesuai keperluan dengan memperhatikan beban sistem dan yang diperlukan tanpa melebihi kemampuan kapasitas pembangkit yang ada (Wood & Wollenberg, 1996).

Batasan Penjadwalan Unit Pembangkit Merupakan pembatasan dalam pengambilan keputusan untuk menentukan piliha kombinasi on-off unit pembangkit yang akan dijadwalkan.

Pembatasan ini diperlukan agar pilihan kombinasi on-off pembangkit yang akan dijadwalkan dapat menjaga sistem selau berada dalam kondisi normal dan ekonomis dalam pengoperasiannya.

Beberapa batasan/constraint tersebut, antara lain :

a. Power Balance Constraint

Merupakan daya yang harus disediakan oleh unit yang beroperasi pada periode waktu tertentu dan besarnya harus setara sesuai dengan demand (kebutuhan) daya pada jam ke-t.

∑(𝑃

_𝑖

, 𝑈

_𝑖,𝑡

) = 𝑃𝐷

_𝑡

𝑁 𝑖=1

(2)

b. Spinning Reserve

Merupakan cadangan daya yang harus diperhitungkan dari unit-unit yang beroperasi, dimana apabila ada salah satu unit yang mengalami kegagalan operasi maka daya yang berkurang akibat kegagalan operasi dari unit tersebut dapat diganti oleh cadangan daya tersebut.

3

∑

^𝑁_𝑖=1

(𝑃𝑚𝑎𝑥

_𝑖

, 𝑈

_𝑖,𝑡

) ≥ 𝑃𝐷

_𝑡

+ SR (3)

c. Start Up Cost

Adalah biaya yang diperlukan oleh pembangkit untuk memulai kerja dari keadaan tidak beroperasi (dari kondisi off ke kondisi on).

d. Generation Limit Constraint

Generator dari setiap unit pembangkit seharusnya membangkitkan daya tidak melebihi nilai maksimumnya serta tidak boleh dioperasikan untuk membangkitkan daya dibawah nilai minimumnya (Aisyah, 2015)

𝑃

_𝑚𝑖𝑛

≤ 𝑃

_𝑖

≤ 𝑃

_𝑚𝑎𝑥

(4)

Metode Algoritma Genetika

Kemunculan Algoritma Genetika diinspirasikan dari teori-teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan (Suyanto, 2005)

1. Skema Pengkodean

Pengkodean adalah cara untuk merepresentasikan masalah ke dalam bentuk kromosom. Kromosom tersebut harus membawa informasi dari solusi yang direpresentasikan.

Contoh pengkodean biner dan pengkodean pohon disajikan pada Gambar 2.

. Gambar 2 Contoh pengkodean biner (a) dan

pengkodean pohon (b) (Suyanto, 2005)

2. Fungsi Fitness

Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya.

Fungsi ini dinamakan fungsi fitness. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati. Dalam algoritma genetika, fungsi fitness adalah fungsi objektif dari masalah yang akan dioptimasi.

Fungsi ini sebagai ukuran keuntungan yang ingin dimaksimalkan atau sebagai ukuran biaya yang ingin diminimumkan.

3. Seleksi

Operator seleksi menentukan kromosom mana yang di pilih untuk direproduksi. Probabilitas terpilihnya satu kromosom untuk direproduksi adalah sebesar nilai fitness tersebut di bagi dengan jumlah nilai fitness seluruh kromosom dalam populasi. Secara, matematis dinyatakan dengan persamaan :

𝑃

_𝑖

= 𝑓𝑖

∑ 𝑖𝑓

_𝑖

, 𝑖 = 1 … 𝑛 (5)

Kromosom dengan fitness terbesar akan terpilih untuk direproduksi. Metode seleksi yang umum digunakan adalah roullete wheel. Metode ini menirukan permainan roullete wheel di mana masing-masing kromosom menempati potongan lingkaran pada roda roullete secara proporsional sesuai nilai fitness-nya. Kromosom yang memiliki nilai fitness lebih besar, akan menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah. Contoh seleksi dengan roullete wheel disajikan pada Gambar 3.

Gambar 3 Contoh seleksi dengan roullete wheel (Suyanto, 2005)

4

Metode roullete wheel selection sangat

mudah diimplementasikan dalam pemrograman.

Pertama, di buat interval komulatif (dalam interval [0,1]), dari nilai fitness masing-masing kromosom di bagi total nilai fitness dari semua kromosom.

Sebuah kromosom akan terpilih jika bilangan random yang dibangkitkan berada dalam interval akumulatifnya.

4. Pindah Silang (Crossover)

Salah satu komponen penting dalam Algoritma Genetika adalah crossover atau pindah silang.

Sebuah kromosom yang mengarah pada solusi yang bagus bisa diperoleh dari proses memindahsilangkan dua buah kromosom.

Ilustrasi crossover terdapat pada Gambar 4.

Gambar 4 Ilustrasi one-point crossover (Suyanto, 2005)

5. Mutasi

Prosedur mutasi sangat sederhana.

Untuk semua gen yang ada, jika bilangan random yang dibangkitkan kurang dari probabilitas mutasi 𝑃𝑚 yang ditentukan maka ubah gen tersebut menjadi nilai kebalikannya. Dalam pengkodean biner, 0 di ubah menjadi 1, dan 1 di ubah menjadi 0. Gambar 5 mengilustrasikan proses mutasi yang terjadi pada gen 10.

Gambar 5 Contoh mutasi (Suyanto, 2005)

METODOLOGI PENELITIAN Alat dan Bahan Penelitian

Penelitian ini menggunakan data sekunder PT.PLN (Persero) Sektor Pembangkitan Lombok dan Area Pengaturan Distribusi dan Penyaliran (APDP) Mataram yang digunakan sebagai penunjang penelitian. Laptop dan perangkat lunak yang digunakan pada penelitian ini adalah Toshiba C640 dengan spesifikasi Processor : Intel (R) CPU P6200 @2.13 GHz Memory 2GB, Sistem Operasi Microsoft Windows 7 Ultimate 64 bit. Python versi 3.6.2 dan Microsoft office 2013 Langkah-langkah Penelitian

Tahapan proses yang dilakukan dalam pengolahan data sebelum digunakan dalam simulasi yaitu :

a. Menentukan jumlah unit pembangkit yang akan dijadwalkan pada PLTD Ampenan selama periode waktu satu Minggu.

b. Mengetahui jenis bahan bakar dan pemakaian bahan bakar tiap jam selama 24 jam sesuai dengan beban yang dibutuhkan c. Mencari konstanta a, b, dan c atau

persamaan karakteristik input-output dari masing-masing unit pembangkit menggunakan pendekatan metode polynomial kuadratik dengan cara membuat kurva input-output pembangkit

d. Menentukan batas daya maksimum dan daya minimum masing-masing unit pembangkit.

Untuk mengetahui apakah program layak atau tidak untuk dipergunakan, maka dilakukan uii validasi program. Dalam peninjauan validasi ini dilakukan dengan membandingkan perhitungan program menggunakan Algoritma Genetika dengan perhitungan matematika murni metode Lagrange yang terdapat pada buku Power System Analysis, contoh soal 13.8 (Grainger &

Stevenson, 1994 ).

5

Diagram Alir Penelitian

Gambar 6. Diagram alir penelitian

HASIL DAN PEMBAHASAN

PLTD Ampenan merupakan salah satu pembangkit yang digunakan untuk menyuplai beban sistem kelistrikan Lombok yang terdiri dari 8 unit pembangkit dengan total daya mampu keseluruhan unit adalah sebesar 43.400 kW.

Penjadwalan unit PLTD Ampenan menggunakan kondisi pada beban rendah, beban menengah hingga beban puncak atau selama 24 jam dalam kurun waktu 168 jam yaitu pada tanggal 4 Agustus 2014 hingga 10 Agustus 2014.

Untuk melihat tingkat efisiensi dari masing- masing unit pembangkit perlu dilakukan perhitunga SFC (Spesific Fuel Consumption) dan membuat kurva karakteristik dari masin-masing unit. Berikut kurva karakteristik input-output dari masing-masing unit pembangkit PLTD Ampenan pada gambar 7. Persamaan dari kurva input- output direpresentasikan sebagai fungsi kuadrat dari pembangkitan daya nyata sehingga dapat

digunakan untuk mengetahui besarnya biaya pembangkitan tiap daya yang dibangkitkannya.

Gambar 7. Kurva input/output unit pembangkit di PLTD Ampenan

Validasi Program BPSO untuk penjadwalan PLTD Ampenan

Empat unit pembangkit dioperasikan untuk penjadwalan kebutuhan beban dalam waktu 24 jam yang di bagi menjadi 6 periode waktu beban.

Berdasarkan Tabel 1 hasil simulasi penjadwalan daya 4 unit pembangkit menggunakan metode Algoritma Genetika menunjukan bahwa daya optimum (MW) yang dibangkitkan oleh tiap-tiap unit pembangkit telah mampu memenuhi kebutuhan beban selama 6 periode pembagian waktu selama 24 jam dengan total biaya lebih murah sebesar

$ 3759.

Implementasi Algoritma Genetika Pada Penjadwalan Unit Pembangkit di PLTD Ampenan

Pembangkit Listrik Tenaga Diesel (PLTD) Ampenan terdiri dari 8 unit pembangkit milik PT.PLN (Persero) yang disimulasikan

6

menggunakan metode Algoritma Genetika untuk

menghasilkan penjadwalan unit pembangkit dengan biaya yang ekonomis dalam kurun waktu 1 minggu (168 jam) ke depan sesuai dengan Rencana Operasi Mingguan (ROM) PT.PLN.

Berikut perbandingan total biaya antara metode Algoritma Genetika dengan kondisi eksisting operasi PLTD Ampenan.

Tabel 2. Perbandingan hasil simulasi total biaya pembangkitan Algoritma Genetika dan operasi

PLN

Berdasarkan Tabel 2 perbandingan hasil simulasi tota biaya pembangkitan Algoritma Genetika dan operasi PLN menunjukan bahwa Algorima Genetika telah mampu memenuhi kapasitas total daya beban yang dibangkitkan oleh PLN dengan total biaya pembangkitan yang lebih murah dibandingkan dengan operasi PLN selama periode waktu 1 Minggu.

Gambar 8. Grafik perbandingan total biaya operasi selama periode waktu 1 Minggu Algoritma Genetika

dan operasi PLN

Gambar 8 menunjukan bahwa biaya pembangkitan energi listrik pada hari Selasa,

Rabu, dan Kamis cenderung tinggi dibandingkan hari lainnya. Hal ini disebabkan pada hari Selasa sampai Kamis kebutuhan penggunaan beban sangat tinggi sedangkan pada hari yang lain yaitu hari Senin, Jumat, Sabtu, dan Minggu kebutuhan beban cenderung lebih rendah.

KESIMPULAN

Berdasarkan hasil penelitian yang dilakukan dapat disimpulkan sebagai barikut :

1. Parameter Algoritma Genetika terbaik yang diperoleh dari berbagai kombinasi parameter Algoritma Genetika pada hari pertama hingga hari ketujuh pada penjadwalan unit PLTD Ampenan yang memiliki 8 unit pembangkit adalah dengan nilai mutation rate (mr) 0.1, crossover (cr) 0.8, dan menggunakan 20 kromosom pada 1 populasi.

2. Algoritma Genetika menghasilkan total daya pembangkitan yang sama dengan operasi PLN dengan pola penjadwalan yang berbeda. Total biaya yang dapat di hemat menggunakan Algoritma Genetika untuk penjadwalan PLTD Ampenan selama periode waktu 1 Minggu (168 jam) adalah sebesar Rp. 6.298.125.002,- atau 38,52%

dari total operasi PLN selama periode waktu 1 Minggu.

SARAN

Performansi pada program Algoritma Genetika masih kurang sempurna pada pencarian pola jadwal terbaik, karena semakin banyak jumlah periode permintaan waktu dan jumlah unit membutuhkan pengaturan parameter yang tepat agar menghasilkan solusi yang terbaik.

DAFTAR PUSTAKA

Aisyah. (2015). “Penjadwalan Unit Pembangkit Listrik Tenaga Diesel (PLTD) Ampenan Menggunakan Metode Binary Particle Swarm Optimization (BPSO)”. Jurusan Teknik Elektro, Fakultas Teknik, Universitas Mataram.

7

Hermawanto, D. “Genetic Algorithm for Solving

Simple Mathematical Equality Problem”.

Indonesian Institute of Sciences (LIPI), Indonesia

Ikhsan, R,. Ana, D, dan Astuti, B,. (2013).

“Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik pada Sistem Pembangkit Sumatera Bagian Tengah”.

Universitas Islam Indonesia.

Grainger, J,J. dan Stevenson, W.D. (1994). “ Power System Analysis” Mc Graw Hill, Inc.

Kanata, S. (2017). “Pembangkitan Ekonomis Pada Unit Pembangkit Listrik Tenaga Diesel Telaga Gorontalo Menggunakan Algoritma Genetika”. Universitas Ichsan Gorontalo.

Marsudi, D. (2006). “ Operasi Sistem Tenaga Listrik”. Yogyakarta : Graha Ilmu.

Nrartha, I.M.A dan Sultan. (2014). “Buku Ajar Listrik”. Universitas Mataram

Sianipar. R.H dan Wadi, H. (2015).

“Pemrograman Python Teori dan Impementasi. Bandung : Informatika.

Sarjiya, Sasongko, H.P, dan Wijayanti, R.D.

(2016). “Unit Commitment Dengan Kekangan Keandalan Menggunakan Algoritma Genetika Mempertimbangkan Ketidakpastian Beban”. Universitas Gadjah Mada

Sidarjanto. (2007). “ Materi Kuliah Operasi Optimum Sistem Tenaga”. ITS

Suyanto. (2005). “Algoritma Genetika dalam Matlab”. Yogyakarta : Andi..

Wood A.J, dan Wollenberg B.F.(1996). “ Power Generation, Operation, and Control”.

New York, John Willey & Sons, INC