Optimasi Biaya Pembangkitan Pada Sistem Standar IEEE 30 Bus Menggunakan Adaptive Particle Swarm Optimization
Article Sidebar
Main Article Content
Abstract
Dalam sistem pengembangan tenaga listrik, pemakaian bahan bakar adalah hal yang perlu diperhatikan, karena sekitar 60% dari total operasi adalah bahan bakar. Untuk dapat mengatur operasi pembangkit, sistem penjadwalan yang tepat dan akurat sangat diperlukan, yaitu dengan mengatur setiap unit pembangkit untuk beroperasi secara optimal dan ekonomis serta rugi-rugi dari transmisi dapat direduksi yang tentunya muncul dalam sistem pembangkit listrik. Analisis untuk menyelesaikan biaya pembangkitan biasa disebut Economic Dispatch (ED). Hal ini bertujuan untuk menekan biaya operasional pembangkitan dan juga mengurangi rugi-rugi daya. Penelitian ini menggunakan tiga metode, yaitu metode konvensional Newton Rapshon (N-R), metode Particle Swarm Optimization (PSO), dan metode Adaptive Particle Swarm Optimization (APSO). Hasil simulasi menunjukkan bahwa metode APSO dapat mereduksi daya sebesar 9.86 % dari metode konvensional N-R dan 2.65 % dari metode PSO, sedangkan hasil biaya pembangkitan didapatkan sebesar 8.04 % dari metode konvensional N-R dan 0.01 % pada metode PSO. Dari hasil perhitungan, APSO lebih unngul untuk optimalisasi daya daripada metode konvensional N-R dan metode PSO. Sedangkan
untuk opimasi biaya pembangkitan terbaik didapatkan dengan metode PSO dan APSO.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
. K. Syah, H. S. Dachlan, R. N. Hasanah, and dan M. Shidiq, “Analisis Perbandingan Economic Dispatch Pembangkit Menggunakan Metode Lagrange dan CFPSO,” EECCIS, 2012.
. N. H. Sabilla, A. Nugroho, and S. Handoko, “Optimasi penempatan pembangkit terdistribusi pada IEEE 30 bus system menggunakan algoritma genetika,” ISSN 2302-9927, 2013.
. D. L. Akbar, O. Penangsang, and N. K. Aryani, “Dynamic Economic Dispatch dengan
Mempertimbangkan Kerugian Transmisi Menggunakan Metode Sequential Quadratic Program,” J. Tek. ITS, 2016.
. B. Chopard and M. Tomassini, “Particle swarm optimization,” in Natural Computing Series, 2018.
. Z. H. Zhan and J. Zhang, “Adaptive particle swarm optimization,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2008.
. Emmy Hosea and Yusak Tanoto, “Perbandingan Analisa Aliran Daya dengan Menggunakan Metode Algoritma Genetika dan Metode Newton-Raphson,” J. Tek. Elektro, 2004.
. S. Riyanto, H. Suyono, and H. soekotjo Dahlan, “Penjadwalan Pembangkit Tenaga Listrik Jangka
Pendek Menggunakan Ant Colony Optimization,”
Eeccis, 2012.
. A. D. Rahmatullah, R. S. Wibowo, and D. Fahmi, “Pendekatan Dengan Cuckoo Optimization Algorithm Untuk Solusi Permasalahan Economic Emission Dispatch,” J. Tek. ITS, 2017.
. A. Tanjung, “Analisis Sistem Distribusi 20 kV Untuk Memperbaiki Kinerja Dan Keandalan Sistem Distribusi Menggunakan Electrical Transient Analisys Program,” Sntiki, 2012.
. M. Saukani, “Analisa Perbandingan Aliran Daya Optimal Mempertimbangkan Biaya Pembangkitan Dan Kestabilan Daya Menggunakan Particle Swarm Optimization Dan Algoritma Genetika,” KINETIK, vol. 1, pp. 101–141, 2016.