Está en la página 1de 4

Optimal Desain Sistem Pembangkit Listrik Tenaga Bayu Dan Surya Untuk Daerah Terpencil Dengan Menggunakan Algoritma

Genetika
1)

Firman Yudianto, 2) Heri Suryoatmojo

Department of Electrical Engineering, Faculty of Industrial Technology ITS Surabaya Indonesia 60111 email: firman09@mhs.ee.its.ac.id,

Abstrak - Sistem pembangkit tenaga bayu, surya dan baterai di desain untuk mensuplai permintaan daya. Sasaran dari desain ini adalah meminimalkan biaya operasional dari sistem pembangkitan tersebut untuk operasi selama 10 tahun untuk daerah terpencil. Permasalahan optimalisasi dalam sistem pembangkit listrik tenaga bayu, surya dan baterai adalah bersubyek pada kehandalan supplai daya. Pembiayaan sistem pembangkit melibatkan investasi, penggantian, operasional dan perawatan serta rugi dalam beban biaya. Metode algoritma genetika digunakan untuk menyelesaikan permasalahan optimalisasi sistem pembangkitan. Algoritma Genetika dipilih karena mampu menyelesaikan sistem pembangkit tenaga bayu dan surya yang lebih besar untuk mensupplai beban dengan kehandalan yang diinginkan tanpa ada pemadaman.

pembangkitan yang bisa menurunkan kehandalan sistem serta pembiayaan sistem yang melibatkan investasi, penggantian, opersioanal dan perawatan juga kerugian dalam beban biaya[4]. Tujuan dari penelitian ini adalah mendesain suatu optimalisasi pembangkitan terutama bayu, surya dan baterai untuk dapat mensupplai beban didaerah yang terpencil dengan kehandalan sistem serta biaya yang efesien tanpa ada pemadaman yang berskala tinggi. Hal ini menunjukkan pengaruh dari suatu komponen terhadap kehandalan dan biaya operasional dari sistem, sehingga sistem ini bergantung pada komponen komponen tersebut, misalnya: terjadinya pemadaman yang mengakibatkan diperlukannya pembangkitan yang lebih besar untuk mensupplai beban dan dapat dilihat bahwa kehandalan inverter merupakan batas maksimal dari kehandalan sistem tersebut. Metode algoritma genetika yang bisa menyelesaikan masalah optimal desain pembangkitan tersebut.

Kata Kunci: Sistem Pembangkit Tenaga Bayu Dan Surya, Baterai, Desain Optimal, Algoritma Genetika I. PENDAHULUAN Sumber energi terbarukan merupakan suatu energi yang dapat berpotensi untuk menghasilkan kontinuitas ketersediaan energi di masa depan serta dapat menjadi supply energi di pasar global dunia dalam jangka waktu yang panjang [1]. Pembangkitan Wind (angin) dan PV (matahari) merupakan sumber energi yang dapat dimanfaatkan untuk mensupplai beban di suatu area tertentu terutama untuk area terpencil dalam suatu negara[2]. Sistem pembangkitan tersebut selain merupakan sumber energi terbarukan juga pembangkitan yang ramah lingkungkan dibandingkan pembangkitan, seperti : solar dan batubara. Dalam sistem pembangkitan harus selalu diperlukan suatu optimal design dengan memperhatikan kehandalan dan biaya operasional yang efektif dan efisien[3]. Tujuan dari optimal desain adalah cara mendesain sistem pembangkit tenaga bayu dan surya dengan memperhatikan kualitas

II. DASAR TEORI 2.1 Model Sistem Pembangkit Listrik Tenaga Bayu Dan Surya Secara umum sistem tenaga listrik dapat dikategorikan dalam empat bagian utama, yaitu sebagai berikut : 1. Pembangkitan 2. Transmisi 3. Distribusi 4. Beban Pembangkitan adalah bagian dalam sistem tenaga listrik yang menghasilkan daya listrik untuk kemudian daya listrik tersebut dialirkan melalui sistem transmisi. Sistem transmisi berfungsi menyalurkan daya listrik dari pembangkitan menuju ke sistem distribusi beban. Kemudian, sistem distribusi membagi-bagikan daya listrik dari sistem transmisi menuju ke beban-beban listrik sesuai dengan permintaan daya dari konsumen. Beban adalah komponen sistem tenaga listrik yang mengkonsumsi daya listrik[1-3].

Pada pembangkit listrik tenaga bayu dan surya menghasilkan sumber DC yang dirubah menjadi AC melalui DC/AC Konverter lalu disupplai ke beban AC (Gambar 2.1 ). Setelah pembangkitan menghasilkan tegangan dc lalu disalurkan ke bus DC, tegangn DC tersebut tidak langsung disalurkan ke beban melainkan dirubah dulu menjadi tegangan AC melalui DC/AC Konverter. Setelah tegangan dirubah maka disalurkan ke Bus AC dan kemudian disupplai ke beban pada daerah / area tertentu[4].

2.3 Biaya Pembangkitan dan Beban Biaya dalam pembangkit listrik tenaga bayu dan surya adalah cara perhitungan yang sangat sulit saat biaya pembangkitan harus memperhatikan kehandalan sistem dan beban. Dimana biaya yang tinggi juga harus mengurangi tingkat pemadaman pada daerah tertentu. Persamaan model sistem biaya pembangkitan adalah[10]:

DC Bus
~

= { + }......................(2)

PW
G

DC / AC Convertrer AC Bus
~ -

Load

PPV
- -

Keterangan: = Total Biaya Pembangkitan, Rupiah = Total Biaya Komponen, Rupiah = Biaya Jumlah Jam Padam, Rp/Kwh
ECONOMIC BREAK EVENT POINT

Baterai
Gambar 2.1 Model Pembangkitan Wind dan PV

KENAIKAN BIAYA SISTEM

Diesel

ACloss

ACi

0.00836036

0.01

2.2 Model Sistem Kehandalan Pembangkitan Suatu kehandalan sistem pembangkitan adalah modal dasar kemampuan pembangkitan untuk mensupplai beban.Dalam pembangkitan Wind dan PV perlu diperhatikan turbin generator turbin (WGS ) dan photovoltaic array (PVS). Persamaan model sistem kehandalan pembangkitan adalah[5-7] :

EQUIVALENT LOSS FACTOR (ELF)

Gambar 2.3 Kenaikan dan Kehandalan Biaya Biaya pembangkitan diharapkan dengan harga tinggi dihasilkan suatu pembangkit yang handal untuk mensupplai beban dengan mengurangi tingkat pemadaman dimana disebut dengan economic break event point dimana didapat harga yang effisien tanpa ada pemadaman ( gambar 2.3 ). Pembiayaan sistem meliputi investasi, penggantian, operasi dan perawatan juga kerugian dalam beban biaya. Semua harga bersifat empirik dan semua komponen tersedia secara komersil untuk mendapatkan suatu kehandalan sistem yang diinginkan. 2.4 Algoritma Genetika ( GA ) Sebuah algoritma genetika (GA ) dapat dilihat sebagai algoritma pencarian yang didasarkan pada konsep seleksi alam dan genetik kromosom. Pencarian penyelesaian optimal untuk masalah dengan memanipulasi populasi string (kromosom) yang mewakili penyelesaian potensial yang berbeda, masing masing terkait dengan satu titik

, , = , ..........(1)
Keterangan:

Sistem Pembangkitan Perencanaan Pembangkitan Jumlah total generator turbin Tenaga Bayu Jumlah total modul PV Komponen generator turbin Tenaga bayu Komponen PV

sampel dari area pencarian[8]. Untuk setiap generasi, semua populasi dievaluasi berdasarkan kemampuan mereka. Algoritma Genetika bekerja dengan parameter pengkodean bukannya parameter sendiri. Parameter pengkodean membantu genetik operator untuk berevolusi ke daerah tertentu. GA mengevaluasi kesesuaian masing masing kromosom untuk membantu pencariannya bukan eksplisit pengoptimalan fungsi[9] . Dengan begitu genetic algoritma berlaku dan effektif digunakan untuk optimal design pembangkitan Wind dan PV untuk memecahkan permasalahan kehandalan dan biaya sistem pembangkitan untuk mensupplai beban pada daerah tertentu dengan pemadaman dalam skala yang rendah. Sebelum GA dijalankan, maka sebuah kode yang sesuai (representatif) harus dirancang. Maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromoson /string yang terdiri atas komponen genenik terkecil yaitu gen. Dengan teori evolusi dan teori genetika, dalam penerapan GA akan melibatkan beberapa operator yaitu: Operasi evolusi yang melibatkan proses seleksi. Opersi genetika yang melibatkan operator pindah silang (crossover) dan mutasi (mutation). Untuk memeriksa hasil optimasi membutuhkan fungsi fitness yang menandakan gambaran hasil yang sudah dikodekan. Selama berjalan, induk harus digunakan untuk pindah silang dan mutasi untuk menciptakan keturunan. Jika genetik algoritma dirancang dengan baik, maka akan didapatkan sebuah solusi optimum.
Populasi Awal Evaluasi Fitness Seleksi Individu

mendapatkan kehandalan dalam mensupplai beban dengan biaya yang relatif murah. Data data yang diperlukan adalah data solar ensulition dan data angin.

Tabel 3.1 Spesifikasi PV Maximum output power Effisiency Areafor single PV panel Capital cost Life time

120 W 16 % 1.07 m US$ 1.000 20 years

Tabel 3.2 Spesifikasi turbin angin Maximun output power 1.000 kW Cut-in speed 3.5 m/s Furling speed 20 m/s Rated speed 14 m/s Swept area of rotor 2.323.09 m Capital cost US$ 2 million Life time 10 years Tabel 3.3 Spesifikasi baterai dan inverter Maximum output power 5.000 kWh Capital cost of batteries US$ 400,000 Replacement cost US$ 400,000 Life time 10 Years Inverter capacity 50 MW Capital cost of inverter US$ 1.5 million Life time 20 years IV. HASIL SIMULASI Software yang digunakan adalah MATLAB. Untuk menghitung kehandalan dan total biaya, maka kita simulasikan dan menggunakan Algoritma genetika.Misalnya, dengan menerapkan pendekatan untuk sistem yang terdiri dari 14 WGs dan 199 PV Array dengan ketersediaan 80 % dengan beban 50 kW maka sistem desain pembangkit bayu dan surya akan menunjukkan hasil yang optimal dengan kehandalan untuk mensupllai beban tersebut.

Reproduksi Crossover Dan Mutasi Populasi Baru

Gambar 2.4. Siklus Algoritma Genetika III. METODE PENELITIAN Subyek penelitian berupa opimal daya pada beban daerah terpencil dengan menggunakan Algoritma Genetika, dimana penempatan pembangkit tenaga bayu dan surya agar

[5] Ghosh GC, Emonts B, Stolen D.Comparison of hydrogen storage with diesel generator system in a PV WEC hybrid system. Sol Energy 2003;75:187-98 [6] Garcia RS. Weisser D. A wind-diesel system with hydrogen storage: joint optimization of design and dispatch. Renewable Energy 2006;31:2296320. Gambar 4.1 desain optimal dengan Algoritma Genetika dalam MATLAB [7] Khan MJ, Iqbal MT. Dynamic modeling and simulation of small wind fuel cell hybrid energy system. Renewable Energy 2005;30:421-39

V.

KESIMPULAN

Tujuan utama optimal desain adalah mengoptimalkan pembangkit tenaga bayu dan surya dapat mensupplai beban daerah terpencil dengan kehandalan sistem dan effisiensi biaya. Pembangkit listrik tenaga bayu dan surya dapatdigunakan untuk mensupplaai beban dengan menggunakan Algoritma Genetika sehingga bisa menentukan jumlah pembangkit dengan beban yang bervariasi serta kehandalan sistem dapat terpenuhi. MATLAB merupakan peralatan yang digunakan untuk menjalankan program optimal desain dengan menetukan data angin dan surya beserta Algoritma Genetika.

[8] Kellog WD, Nehrir MH, Venkataraman G, Gerez V. Generation unit sizing and cost analysis for stand alone wind,photovoltaic and hybrid wind/PV systems. IEEE Trans Energy Convers March 1998;13(1):70-5 [9] Xu D , Kang L , Chang L , Cao B . Optimal sizing of standalone hybrid wind / PV power system using genetic algorithm.In: Canadian conference on electrical and computer engineering, 2005;1-4 May 2005,p.1722-1725 [10] A. Kashefi Kaviani, G.H. Riahy, SH.M. Kouhsari. Optimal design of reliable hidrogenbased stand-alone wind/PV generating system, considering component outages. Renewable Energy 2009;34:2380-2390

DAFTAR REFERENSI [1] Mellit A, Kalogirou SA, Hontoria L, Shaari S. Artificial intelligence techniques for sizing photovoltaic system: Renewable Sustainable Energy Rev 2008 ;. doi:10.1016/j.rser.2008.01.006. [2] Kontroulis E, Kolokotsa D, Potirakis A, Kalaitzakis K. Methodology for optimal sizing of stand-alone photovoltaic / wind-generator system using genetic algorithms, sol Energy 2006;80:107288 [3] Yang H, Zhou W, Lu L, Fang Z, Optiamal sizing method for stand-alone hybrid solar-wind system with LPSP technology by using genetic algorithm. Sol Energy 2008 ; 82:354-67 [4] Kashefi Kaviani A, Riahy GH, Koushari SHM. Optimal design of reliable hydrogen based stand alone wind/PV generation system. In:Proceeding of 11th international conference on optimization of electrical and electronic equipment (OPTIM 08), Brasov,Romania; May 22-24,200.

También podría gustarte