Analisis Penyambungan Distributed Generation Guna Meminimalkan Rugi-Rugi Daya Menggunakan Metode Particle Swarm Optimization (PSO)
Abstract
Penyambungan Distributed Generation pada sebuah jaringan distribusi menimbulkan dampak meningkatnya rugi-rugi daya yang diakibatkan lokasi penyambungan DG yang kurang tepat. Salah satu cara yang dilakukan untuk mengurangi rugi-rugi daya adalah penentuan lokasi penyambungan DG yang tepat dengan optimasi. Optimasi lokasi penyambungan DG pada Penyulang Bangli bertujuan untuk meminimalkan rugi-rugi daya pada system distribusi di Penyulang Bangli. Dari hasil aliran daya awal diperoleh nilai rugi-rugi daya pada sistem distribusi Penyulang Bangli sebesar 160,120 kW. Optimasi penyambungan DG ini menggunakan metode Particle Swarm Optimization. Metode PSO ini dipilih karena dapat menghasilkan nilai (hasil) yang lebih stabil sesuai dengan fitness yang dimasukkan. Hasil pengaplikasikan metode PSO pada sistem jaringan distribusi Penyulang Bangli, diperoleh lokasi penyambungan DG yang menghasilkan rugi-rugi daya minimum terdapat pada titik 123 (Tembuku 14) dengan rugi-rugi sebesar 108,870kW atau terjadi penurunan rugi-rugi daya sebesar 51,2kW jika dibandingkan dengan kondisi eksisting penyambungan DG dititik 210 (bangklet 1) pada Penyulang Bangli rugi-ruginya hanya mengalami penurunan sebesar 46,8 kW. Hasil yang didapat dari optimasi penyambungan DG menggunakan metode Particle Swarm Optimization memiliki nilai penurunan rugi-rugi daya yang lebih besar yaitu sekitar 32%.
[TURNITIN CHECK 15%, 27 Maret 2017]
Downloads
References
[2] E. K. Bawan. 2012. Dampak Pemasangan Distributed Generation Terhadap Rugi-Rugi Daya. Jurnal Ilmiah Foristek Vo.2, No.21, September.
[3] D. A. Putra. 2015. Analisis Rugi Daya pada Penyulang Bangli denganBeroperasinya PLTS Kayubihi. Jurnal Teknologi Elektro, Vol. 14, No. 1, Januari.
[4] I.M.G. Nusaman. 2015. Analisis Pengaruh Interkoneksi Distributed Generation (PLTSa Suwung) Terhadap Rugi – Rugi daya dan Keandalan Pada Penyulang Serangan. Jurnal Teknik Elektro, Vol. 14, No. 2. Juli-Desember.
[5] I. N. S. Kumara, W. G. Ariastina, I. W. Sukerayasa and I. A. D. Giriantari. 2013. 1 MWp grid connected PV systems in the village of Kayubihi Bali; Review on location's characteristics and its technical specifications. Yogyakarta: International Conference on Information Technology and Electrical Engineering (ICITEE).
[6] I. K. A. Setiawan, I. N. S. Kumara, I. W. Sukerayasa. 2014. Analisis Unjuk Kerja Pembangkit Listrik Tenaga Surya (Plts) Satu MWP Terinterkoneksi Jaringan di Kayubihi, Bangli. Jurnal Teknologi Elektro, Vol. 13, No. 1. Januari-Juni.
[7] D. Marsudi. 2005. Pembangkit Energi Listrik. Jakarta: Penerbit Erlangga.
[8] M. A. Pai. 1979. Computer Techniques In Power System Anallysis. New Delhi: Tata Mc Graw – Hill Publising Company.
[9] Sulasno. 1993. Analisis Sistem Tenaga. Semarang: Badan Penerbit Universitas Diponegoro
[10] N. I. Luthfi, dkk. 2013. Optimasi Penempatan Distributed Generation pada IEEE 30 BUS Sistem menggunakan Bee Colony Algorithm. Jurnal Transient, Vol. 2, No. 3. I.P.S.
[11] Handika. 2016. Perbandingan Metode Extreme Learning Machine dan Particle Swarm Optimization Extreme Learning Machine untuk Peramalan Jumlah Penjualan Barang. Jurnal Teknologi Elektro, Vol. 15, No. 1, Januari-Juni.
[12] Febriansyah, dkk. -. Optimasi Kapasitas Pembangkit Tersebar Untuk Mengurangi Rugi Daya Aktif Menggunakan Particle Swarm Optimization dan Pengaruhnya Terhadap Indeks Kestabilan Tegangan.Jurnal Jurusan Teknik Elektro Universitas Diponegoro.
[13] A. K. Alrijadjis. 2010. Optimasi Kontroler PID Berbasis Particle Swarm Optimazation (PSO) Untuk Sistem Waktu Tunda.Jurnal Politeknik Elektronika Negeri Surabaya.
[14] PT. PLN (Persero) Distribusi Bali – Area Bali Timur. 2015.
Keywords
This work is licensed under a Creative Commons Attribution 4.0 International License
