Sumber : GARG, Kapil; KAUR, Jaspreet. Particle swarm optimization based automatic generation control of two area interconnected power system. International Journal of Scientific and Research Publications, 2014, 4.1: 1-8.

Sumber: Swarm intelligence: craziness particle swarm optimiztion untuk optimasi sistem tenaga listrik (2023)

sumber :  Guha, D., Roy, P. K., & Banerjee, S. (2016). Load frequency control of interconnected power system using grey wolf optimization. Swarm and Evolutionary computation, 27, 97-115.

 DAFTAR ISI

1. Swarm Intelligence

2. Prinsip-Prinsip 

3. Keuntungan

4. Penerapan

5. PSO

6. CRPSO 

PSO Based Automatic Generation Control of Two Area Power System

            Definisi PSS: Power System Stabilizer (PSS) adalah perangkat kontrol tambahan pada sistem tenaga listrik yang digunakan untuk meningkatkan stabilitas sistem dengan cara meredam osilasi frekuensi rendah yang terjadi setelah gangguan pada jaringan.

            Load Frequency Control (LFC) adalah salah satu aspek penting dalam sistem tenaga listrik yang bertujuan menjaga stabilitas jaringan tenaga listrik

Sistem SMIB: Single Machine Infinite Bus (SMIB) adalah model sederhana yang digunakan untuk mempelajari stabilitas sistem tenaga listrik, yang terdiri dari satu generator sinkron terhubung ke jaringan tak terbatas.

Pentingnya Optimasi PSS: Parameter PSS yang tidak optimal dapat mengurangi kemampuan sistem dalam meredam osilasi. Oleh karena itu, optimasi diperlukan untuk memastikan performa maksimal.

Permasalahan dalam Sistem Multi-Area

Sistem kelistrikan dua-area memerlukan koordinasi yang baik untuk menjaga frekuensi dan pembagian daya sesuai kebutuhan. Tantangan yang umum meliputi:

• Gangguan beban (Load Disturbances): Variasi beban menyebabkan perubahan frekuensi (Δf) yang tidak diinginkan.
• Kendali lintas area (Tie-line Control): Pertukaran daya antara area harus dijaga agar sesuai dengan nilai referensi.
• Dynamic Stability: Respons sistem terhadap gangguan harus stabil dan cepat kembali ke steady-state.

Konvensionalnya, kontrol otomatis generasi (AGC) mengandalkan pengendali Proportional-Integral-Derivative (PID) untuk mengatasi perubahan beban. Namun, tuning parameter PID secara manual sulit dilakukan dan kurang optimal dalam menangani kondisi dinamis.

Solusi Berbasis PSO

Particle Swarm Optimization (PSO) adalah algoritma optimasi berbasis populasi yang terinspirasi dari perilaku kawanan burung atau ikan. PSO dapat digunakan untuk tuning parameter PID dalam AGC. Keunggulan PSO adalah:

• Kemampuan global search: Mencari solusi optimal di seluruh ruang parameter.
• Efisiensi: Cepat menemukan solusi dibandingkan metode konvensional.
• Adaptif: Cocok untuk sistem nonlinear dan multi-area.

Kelebihan PSO dalam Penerapan pada PSS

1. Efisiensi dalam Konvergensi:
   • PSO mampu mencapai solusi optimal dengan cepat dan akurat, membuatnya efektif untuk optimasi parameter PSS.
2. Peningkatan Stabilitas Sistem:
   • Mengurangi osilasi pada generator dan meningkatkan margin stabilitas tanpa menambah kompleksitas kontrol.
3. Fleksibilitas Tinggi:
   • PSO dapat beradaptasi dengan kondisi dinamis dalam sistem tenaga listrik, cocok untuk tantangan yang kompleks.
4. Adaptabilitas Teknologi Modern:
   • PSO sudah diterapkan pada energi terbarukan dan kendaraan listrik, membuktikan fleksibilitasnya terhadap teknologi modern.

Manfaat Penggunaan PSO untuk Optimasi Real-Time di Sistem Tenaga

Optimasi Real-Time:

PSO efektif untuk manajemen energi langsung, seperti pengaturan jadwal pengisian daya baterai pada pembangkit fotovoltaik (PV).

Efisiensi Operasional:

Mengurangi kehilangan daya dan meningkatkan efisiensi energi pada sistem tenaga listrik.

Efektivitas Jangka Panjang:

Menawarkan solusi optimal untuk efisiensi biaya dan stabilitas sistem dalam jangka panjang.

Penerapan Industri:

PSO telah diterapkan di berbagai sektor tenaga listrik untuk mengatasi tantangan optimasi dan efisiensi operasional.

Desain Sistem PSS dengan PSO

• Langkah-langkah:

  1. Tentukan fungsi tujuan (misalnya, meminimalkan overshoot, waktu naik, dan waktu keadaan mantap).
  2. Inisialisasi parameter PSO (jumlah partikel, iterasi, konstanta belajar, dll.).
  3. Terapkan PSO untuk mencari parameter optimal PSS.

Diagram Blog sistem Automatic Generation Control of Two-Area Power System

Sehingga Transfer Function

Langkah-langkah untuk menentukan fungsi alih total:

1. Identifikasi loop tertutup di masing-masing area.

2. Kombinasikan jalur paralel (PID controller, governor, turbin, dll.).

3. Gabungkan interaksi antar-area melalui fungsi alih tie-line.

Menemukan Fitnes Function Menggunakan ITAE dengan PSO

Integral Time Absolute Error (ITAE) adalah salah satu fungsi kebugaran (fitness function) yang digunakan untuk mengevaluasi kinerja sistem kontrol, khususnya pada perancangan pengendali sistem tenaga seperti Automatic Generation Control (AGC). Tujuan ITAE adalah meminimalkan penyimpangan frekuensi (∆f) dan perubahan daya di tie-line (∆P_tie) dengan mempertimbangkan waktu.

Fungsi Matematis ITAE dinyatakan sebagai

∆f₁ dan ∆f₂: Penyimpangan frekuensi pada Area 1 dan Area 2. Nilai ini menunjukkan perbedaan antara frekuensi aktual sistem dengan frekuensi nominal (biasanya 50 Hz atau 60 Hz).

∆P_tie: Perubahan daya pada tie-line (jalur transmisi antara Area 1 dan Area 2). Nilai ini mengukur stabilitas daya antar area.

t: Waktu, yang digunakan untuk memberi bobot lebih besar terhadap error yang terjadi pada waktu lebih lama. Hal ini berarti kesalahan pada awal proses memiliki pengaruh yang lebih kecil dibanding kesalahan yang terjadi pada waktu selanjutnya.

Simulasi:

Program :

function cost = tunning(kk)

assignin('base','kk',kk);

sim('agc_two_area.slx');

cost= ITAE(length(ITAE));

end

clear all

close all

clc

% Define the details of the table design problem

nVar = 9; % number of variables

ub = [1 1 1 1 1 1 1 1 1];%upper Bound

lb = [-1 -1 -1 -1 -1 -1 -1 -1 -1];% lower bound

fobj = @tunning; % Objective function Name

% Define the PSO's paramters

noP = 15; % number of particles for initialization

maxIter = 100; % maximum iterations

wMax = 1;wMin = 0.1;

c1 = 2;

c2 = 2;

vMax = (ub - lb) .* 0.2;

vMin = -vMax;

% The PSO algorithm

% Initialize the particles

for k = 1 : noP

Swarm.Particles(k).X = (ub-lb) .* rand(1,nVar) + lb;

Swarm.Particles(k).V = zeros(1, nVar);

Swarm.Particles(k).PBEST.X = zeros(1,nVar);

Swarm.Particles(k).PBEST.O = inf;

Swarm.GBEST.X = zeros(1,nVar);

Swarm.GBEST.O = inf;

end

% Main loop

for t = 1 : maxIter

% Calcualte the objective value

for k = 1 : noP

currentX = Swarm.Particles(k).X;

Swarm.Particles(k).O = fobj(currentX);

% Update the PBEST

if Swarm.Particles(k).O < Swarm.Particles(k).PBEST.O

Swarm.Particles(k).PBEST.X = currentX;

Swarm.Particles(k).PBEST.O = Swarm.Particles(k).O;

end

% Update the GBEST

if Swarm.Particles(k).O < Swarm.GBEST.O

Swarm.GBEST.X = currentX;

Swarm.GBEST.O = Swarm.Particles(k).O;

end

end

% Update the X and V vectors

w = wMax - t .* ((wMax - wMin) / maxIter);

for k = 1 : noP

Swarm.Particles(k).V = w .* Swarm.Particles(k).V + c1 .* rand(1,nVar) .* (Swarm.Particles(k).PBEST.X - Swarm.Particles(k).X) ...

+ c2 .* rand(1,nVar) .* (Swarm.GBEST.X - Swarm.Particles(k).X);

% Check velocities

index1 = find(Swarm.Particles(k).V > vMax);

index2 = find(Swarm.Particles(k).V < vMin);

Swarm.Particles(k).V(index1) = vMax(index1);

Swarm.Particles(k).V(index2) = vMin(index2);

Swarm.Particles(k).X = Swarm.Particles(k).X + Swarm.Particles(k).V;

% Check positions

index1 = find(Swarm.Particles(k).X > ub);

index2 = find(Swarm.Particles(k).X < lb);

Swarm.Particles(k).X(index1) = ub(index1);

Swarm.Particles(k).X(index2) = lb(index2);

end

outmsg = ['Iteration# ', num2str(t) , ' Swarm.GBEST.O = ' , num2str(Swarm.GBEST.O)];

disp(outmsg);

cgCurve(t) = Swarm.GBEST.O;

end

semilogy(cgCurve);

xlabel('Iteration#')

ylabel('Weight')

Simulink:

Hasil :

    Video

Download Link :
Flie simulink klik Disini

File Matlab Klik Disini

File Jurnal Referensi Klik Disini