estimasi lokasi gangguan hubung singkat pada sistem

ESTIMASI LOKASI GANGGUAN HUBUNG SINGKAT PADA SISTEM

DISTRIBUSI LOOP DENGAN DISTRIBUTED GENERATION (DG)

MENGGUNAKAN ALGORITHM OF NEURAL NETWORK LEVENBERG

MARQUARDT (ANNLM)

R.H. Septhianto Alamsyah1, Daeng Rahmatullah2, Istiyo Winarno3

Universitas Hangtuah Surabaya[1],[2],[3]

JL Arif Rahman Hakim N0.150, 60111, Surabaya

[email protected]

Abstract The need for an electrical energy protection

system greatly influences the reliability and quality of

electric energy in the distribution network because the

distribution network is directly related to consumers, one of

the reliability of the protection system using directional

overcurrent relay (DOCR). In this study, the identification of

disturbance locations in the IEEE 9 bus loop distribution

system was applied by the method of Levenberg Marquard

(ANN-LM). Algorithm of Neural Network on the IEEE 9

bus loop distribution network, after the ANN-LM learning

process, weights were obtained. and bias and get the lowest

MSE value when neurons 7 with 1000 iterations with the

results of 5.1565x10-7 the results of the training will be used

as a reference value to get the value of TDS, Ipickup,

location and type of interference in the distribution system in

each combination. The results of this study are the accuracy

of the identification of fault locations using the ANN-LM

method to get a low percentage error value on Ipickup of

0.24%, on TDS of 0.61%, on the type of interference at 0.10%

and on the fault location of 0.19%.

Intisari Kebutuhan sistem proteksi energi listrik sangat

berpengaruh pada keandalan dan kualitas tenaga energi

listrik di jaringan distribusi karena jaringan distribusi

berkaitan langsung dengan konsumen salah satu keandalan

sistem proteksi menggunakan komponen sistem proteksi rele

arus lebih berarah atau Directional Overcurrent Relay

(DOCR). Dikaji dalam penelitian ini yang akan dilakukan

identifikasi lokasi gangguan pada sistem distribusi loop

IEEE 9 bus diterapkan metode Algorithm of Neural Network

Levenberg Marquard (ANN-LM). Pada jaringan dristribusi

loop IEEE 9 bus, setelah proses pembelajaran ANN-LM,

akan didapatkan nilai bobot dan bias serta mendapat nilai

MSE terendah pada saat neuron 7 dengan iterasi ke 1000

dengan hasil 5.1565x10-7 hasil pelatihan nantinya akan di

gunakan sebagai nilai acuan untuk mendapatkan nilai TDS,

Ipickup, lokasi dan jenis gangguan pada sistem distribusi di

setiap kombinasi. Hasil pada penelitian ini keakuratan

identifikasi lokasi gangguan menggunakan metode ANN-

LM mendapat nilai persentase error yang rendah pada

Ipickup sebesar 0.24%, pada TDS sebesar 0.61%, pada Tipe

gangguan sebesar 0.10% dan pada Lokasi gangguan sebesar

0.19%.

Kata kunci: Estimasi lokasi gangguan, Algorithm Neural

Network Levenberg Marquardt (ANNLM), Distributed

Generation (DG).

I. PENDAHULUAN

Seiring perkembangan jaman semakin besar dan semakin komplek di jaringan distribusi. Kapasitas DG biasanya kurang dari 10 MW. Sumber energi untuk pembangkitan skala kecil (DG) antara lain dapat diperoleh dari sel surya, energi angin, pembangkit listrik tenaga mikrohidro, pembangkit listrik tenaga panas bumi, dan pembangkit listrik tenaga biomassa [1].

Rele adalah jantung dari proteksi sistem tenaga listrik. Rele ini berfungsi sebagai pengaktif Circuit Breaker (CB) bekerja jika terjadi gangguan [2]. CB adalah salah satu peralatan pemutus daya yang berguna untuk memutuskan dan menghubungkan rangkaian listrik dalam kondisi terhubung ke beban baik secara kondisi normal maupun kondisi tidak normal [3].

Penelitian yang berkembang telah sampai pada sistem kordinasi rele yang berada pada sistem radial dan menggunakan banyak metode adapun penelitian kordinasi relay menggunaka ANN (artificial neural network) dan estimasi lokasi gangguan. Pada penelitian a new fault location technique on radial distribution system using artificial neural network [3]. Dimana menggunakan rele proteksi dengan metode fault distance to the substation (FDANN) di jaringan distribusi radial yang memperkirakan kesalahan jarak antara lokasi gangguan ke gardu induk dengan cara mendeteksi struktur jaringan distribusi yang berubah, karena di jaringan radial hanya penggunaan sat u garis lurus sehingga pengoptimalan estimasi lokasi kurang tepat untuk jaringan distribusi loop.

Tujuan dilakukannya penelitian ini adalah untuk merancang sistem distribusi loop 9 bus untuk keakuratan estimasi lokasi gangguan dengan cara pengumpulan data perhitungan yang di aplikasikan pada algorithm levenberg marquardt agar keakuratannya dalam mendeteksi lokasi gangguan sangat.

Algorithm Of Levenberg Marquardt dirancang dengan menggunakan pendekatan turunan kedua tanpa harus menghitung matriks hessian. Apabila jaringan

ISSN: 2085-6350 Yogyakarta, 24-25 Juli 2019 CITEE 2019

82 Departemen Teknik Elektro dan Teknologi Informasi, FT UGM

mailto:[email protected]

syaraf feedforward menggunakan fungsi kinerja sum of square [5].

II. TINJAUAN PUSTAKA

A. Penyebab Gangguan Pada Sistem Tenaga Listrik

Pada sistem tenaga listrik tiga fasa, gangguan-gaungguan yang dapat menyebabkan adanya arus lebih diantaranya adalah gangguan beban lebih, gangguan tegangan lebih, dan gangguan arus hubung singkat. Gangguan hubung singkat jika tidak segera di atasi maka akan banyak menyebabkan kerusakan peralatan pada setiap sistem jaringan distribusi oleh karena itu pada penelitian ini membahas tentang proteksi koordinasi rele dan estimasi lokasi ganggun hubung singkat supaya dapat mengetahui dengan cepat dimana posisi lokasi gangguan.

B. Directinal Over Curren Rellay

Elemen directional bekerja berdasarkan pergeseran fasa antara besar polarisasi dan besar operasinya. Untuk kondisi forward, I lag terhadap V dan untuk kondisi reverse I lead terhadap V [2].

C. Distributed Generation

Distributed Generation (DG) Secara mendasar, DG menghasilkan energi listrik dari beberapa sumber energi yang berkapasitas kecil dan dihubungkan langsung pada jaringan distribusi. Distributed generation adalah pembangkit listrik yang melayani konsumen di tempat (on-site), atau untuk mendukung jaringan distribusi, dan terhubung ke jaringan pada level tegangan distribusi. Teknologinya secara umum terdiri dari mesin, turbin kecil (termasuk turbin mikro), fuel cell dan photovoltaic serta teknologi pembangkitan energi listrik berskala kecil yang menghasilkan daya listrik di suatu tempat yang lebih dekat dengan konsumen dibandingkan dengan pembangkit listrik pusat [6].

D. Algorithm Of Levenberg Marquardt

Algoritma Levenberg marquardt merupakan pengembangan algoritma backpropagation standar. Pada algoritma backpropagation, proses update bobot dan bias menggunakan negative gradient descent secara langsung sedangkan. Algoritma Levenberg Marquardt menggunakan pendekatan matrik Hesian (H) yang dapat dihitung dengan,

𝐻 = 𝐽𝑇𝑒 (1)

Sedangakn gradient dapat di hitung dengan,

𝑔 = 𝐽𝑇𝐽 (2)

Dalam hal ini J merupakan sebuah matriks jacobian yang berisikan turunan pertama dari error jaringan terhadap bobot dan bias jaringan [7].

Algoritma Levenberg Marquardt dirancang dengan menggunakan pendekatan turunan kedua tanpa harus menghitung matriks hessian. Apabila jaringan syaraf feedforward menggunakan fungsi kinerja sum of square, maka matriks hessian dapat di deteksi dengan rumus:

𝐻 = 𝐽′∗𝐽 (3)

Dan gradient dapat dihitung sebagai:

g𝐻′∗𝑒 (4)

Dengan J adalah matriks jacobian yang berisi turunan pertama dati error jaringan terhadap bobot error dan e adalah suatu vector yang berisi jaringan. Matriks Jacobian dapat dihitung dengan teknik backpropagation standart [5].

E. Sistem Distribusi loop 9 Bus

Beberapa penelitian telah dilakukan pada sistem distribusi loop 9 bus karena letak kesalahan yang kompleksitasnya tinggi dan kesulitan disebabkan oleh non-homogenitas line resistensi kesalahan dan beban ragu-ragu. Pendekatan sebelumnya diusulkan untuk memperkirakan lokasi kesalahan jalur distribusi terdiri dari penggunaan tegangan dan arus diukur pada terminal line [4].

III. METODE PENELITIAN

Metode penelitian di mulai dari mendisain sigle line diagram sistem loop untuk penerapan koordinasi DOCR dan estimasi lokasi gangguan. Langkah selanjutnya pengambilan data pada setiap skema data Isc max untuk digunakan perhitungan manual mendapatkan nilai Ipickup dan TDS, setelah itu data yang telah di dapat di gunakan sebagai fariabel target output ann dengan jenis dan lokasi gangguan sebagai output ann pelatihan ann untuk estimasi lokasi gangguan menggunakan ANNLM setelah dilakukan proses prlatihan selamjutnya untuk meroleh hasil output nn di lakukan proses testing agar memperoleh hasil yang di inginkan pada output dan target ann untuk lebih jelas bisa di lihat pada gambar 1.

Mulai

Desain System Sigle Line Diagram

Ambil Data Isc max

Perhitungan Manual Ipickup dan TDS

Input Data : Isc Max 2 Dan 3

Fasa

Target: TDS, Ipickup, Lokasi

Gangguan Dan Jenis

Gangguan

Pelatihan Data Menggunakan

ANNLM

Minimum MSE

Tidak

Ya

Memperoleh Weight dan Bias

Uji Coba Input : Kombinasi Pembangkitan

G1, G2 dan G3

Dapatkan TDS, Ipickup, Lokasi Dan

Jenis Gangguan

Masukkan TDS dan Ipickup ke DOCR

Jalankan Simulasi Menggunakan

Software

Selesai

Gambar 1. Flow chart sistem

CITEE 2019 Yogyakarta, 24-25 Juli 2019 ISSN: 2085-6350

Departemen Teknik Elektro dan Teknologi Informasi, FT UGM 83

DG1

Bus 2

T25 MVA

DG2

Bus 7 Bus 8 Bus 9

LUMP 35 MVA

LUMP 16.5 MVA

Load 24 MVA

G1

Bus 5 Bus 6

Bus 4

Bus 1

T1 26 MVA

Bus 3

T35 MVA

20 MW

R13

CB13

R1

CB1

R12

CB12

CBLA CBLBR6

CB6

CB7

R7

R2

CB2

CB11

R11CBLC

R5

CB5

CB8

R8

3 MW3.5 MW

CB14

R14 R3

CB3 CB10

R10 R4

CB4 CB9

R9 R15

CB15

Gambar 2. Single line diagram

A. Data single line diagram

Dalam simulasi koordinasi proteksi adaptif diujicobakan pada diagram satu garis system loop IEEE 9 bus yang di modif dengan ditambahkan DG. Pembangkit utama pada sistem ini berupa generator yang di atur swing. DG1 terhubung dengan bus 2 dan DG2 dengan bus 3 adapun jenis dari DG adalah generator sinkron. DG dapat dioperasikan dengan mengatur CB yang terletak sebelum DG.

Pembangkit utama dalam penelitian berkapasitas generator 20 MW dengan teganggan 14 Kv dan untuk distributed generation (DG) pada DG 1 sebesar 3.5 MW dan pada DG 2 sebesar 3 MW dengan kapasitas beban pada bus 5 load 1 sebesar 6.5 MVA pada Bus 6 load 2 sebesar 4 MVA dan pada bus 8 load 3 sebesar 5 MVA dengan masing – masing load berteganggan 20Kv dapat di lihat pada gambar 2.

B. Single line diagram

Rangkaian yang digunakan pada penelitian ini adalah diagram satu garis distribusi tenaga listrik IEEE 9 bus yang di modif dengan tambahan 2 pembangkit tersebar. Berikut merupakan diagram satu garis distribusi tenaga listrik IEEE 9 bus yang di modif dengan generator dalam kondisi swing dengan distributed generation (DG) yang di jelaskan pada gambar 2.

C. Peracangan sistem

Jaringan distribusi dengan pembangkit tersebar memiliki karakteristik perubahan konfigurasi yang disebabkan adanya perubahan status DG yaitu kondisi On/Off. Hal tersebut menyebabkan beberapa pengaruh terhadap koordinasi proteksi jaringan tersebut. Skema kondisi perubahan topologi jaringan yang dapat terjadi pada simulasi ini diantaranya adalah sebagai berikut:

1) Skema 1: Skema dengan terhubung generator

utama, DG1, dan DG2.


utama ditambah DG 1 on.


utama ditambah DG 2 on.


saja.

D. Perancangan koordinasi proteksi adaptive menggunakan algorithm of neural network levenberg marquard (ANNLM)

Setelah melakukan perhitungan manual didapat nilai TDS dan Ipickup dari setiap kombinasi pembangkitan yang akan digunakan sebagai nila target untuk keluaran dari ANN. Selanjutnya langkah untuk perancangan koordinasi adaptif menggunakan ANNLM:

1) Variable input untuk pelatihan ANN

a) Isc max

2) Variable Target

a) Time delay setting (TDS)

b) Ipickup

c) Lokasi Gangguan

d) Jenis Gangguan

E. Pengambilan data kabel dan Ifla

Penentuan data target atau data output untuk ANN dapat kita cari menggunakan perhitungan manual dengan menggunakan data-data sebagai berikut

1. Mencari nilai iset:

Iset = 1.05 × ifla (5)

Untuk menentukan nilai CT harus di atas nilai iset pada bagian primer karna untuk yang terdekat dengan nilai iset adalah 400 dan sukender 5.

Setelah mendapat nilai iset dan CT kita mengcari nilai Ipickup:

2. Ipickup = Iset × CT sekunder

CT primer (6)



Kurva yang digunakan untuk seting rele pada penelitian ini adalah kurva normally invers dengan α = 0.02 dan k = 0.14. Untuk melakukan perhitungan mencari Time Delay (TD) dan Time Delay Setting (TDS) menggunakan permodelan berikut:

3. TD6utama =k 𝑋 𝑇𝐷𝑆 𝑅6𝑢𝑡𝑎𝑚𝑎

(𝐼𝑠𝑐𝑚𝑎𝑥 R6𝑈𝑡𝑎𝑚𝑎

𝐼𝑠𝑒𝑡)𝛼−1

(7)

4. 𝑇𝐷𝐵𝑎𝑐𝑘𝑢𝑝 = 𝑇𝐷𝑈𝑡𝑎𝑚𝑎 + 𝐶𝑇𝐼(8)

5. TDS R6Utama =

(𝑇𝐷 𝑅6𝐵𝑎𝑐𝑘𝑢𝑝 ×𝐼𝑠𝑐 𝑚𝑎𝑥𝑏𝑎𝑐𝑘𝑢𝑝

𝑖𝑠𝑒𝑡) −1𝑎

𝐾 (9)

Dengan data manual yang kita dapat bisa kita gunakan sebagai data target untuk keluaran ANN.

Dalam penelitian ini saya menggunakan arsitektur ANN dengan 3 lapisan terdiri dari 1 lapisan input dengan 15 neuron 1 lapisan tersembunyi 20 neuron dan 1 lapisan output debgan 32 neuron. Input ANN berupa isc max 2 fasa dan 3 fasa di 15 rele di dalam loop untuk lapisan tersembunyi menggunakan 20 neuron dan lapisan output 32 neuron yang akan di olah oleh ANN melakukan train and error hingga mendapatkan MSE paling baik, menggunakan mulai 1 neuron hingga 20 neuron dengan error goal = 5.1565x10-7 raining yang digunakan menggunakan training algorithm of neural network levenberg marquard dengan jumlah iterasi 1000 seperti di jelaskan pada gambar 3.

Input Layer Hidden Layer Output Layer

Bias Bias

Bobot Bobot

Isc max

di 15 rele

15 TDS

15 Ipickup

1 Lokasi

gangguan

1 Jenis

Gangguan

15

Neuron

32

Neuron

n

Gambar 3. Arsitecture ann

IV. HASIL DAN PEMBAHASAN

A. Pelatihan dan pengujian artificial neural network

Pada penelitian ini proses neural network menggunakan teknik pelatihan algoritma Levenberq Marquardt. Terdiri dari 1 masukan terdiri dari 15 Isc max dan 32 keluaran berupa nilai TDS, Ipickup, Jenis dan Lokasi Gangguan di setiap kombinasi pembangkitan. Data target yang akan digunakan sebagai data pelatihan adalah 15 TDS, 15 Ipickup, 1 lokasi gangguan dan 1 jenis gangguan, di 4 kombinasi pembangkitan.

Untuk mendapatkan nilai Mean Squared Error (MSE) yang paling minimum maka pelatihan dilakukan beberapa kali dengan cara merubah jumlah neuron didalam lapisan tersembunyi hingga mendapatakan nilai MSE kecil dengan jumlah neuron paling sediki

Setelah memperoleh data target yang di peroleh dari peritungan manual yang di tunjukkan pada tabel II. Maka akan di lakukan proses training pada ann dengan metode yang digunakan untuk mendapatkan nilai MSE (Mean Squared Error) terrendah untuk digunkan pada seting rele.

Neuron yang akan digunakan pada saat pengujian adalah 7 neuron. Hal ini karena digit angka kesamaan antara target dan output untuk setting rele sudah dicapai dengan hanya menggunakan 7 neuron pada lapisan tersembunyi. Hal ini juga bepengaruh pada jumlah data bobot dan bias yang harus dimasukkan pada master control tidak terlalu banyak sehingga tidak memerlukan kapasitas memori yang besar pula. Nilai training performance = 5.1565x10-7 kurva performen pelatihan ditampikan pada gambar 4.

Gambar 4 menjelaskan kurva pelatihan hingga mencapai nilai best performance 5.1565x10-7 yang didapat pada iterasi ke 1000. Nilai performance adalah nilai MSE terkecil yang bisa tercapai selama pelatihan data dengan MSE terkecil yang akan di ambil untuk bobot dan bias yang berguna sebagai data yang akan di unakan pada master dan slave untuk pengaplikasian pada rele proteksi yang akan digunakan.

Gambar 4. Kurfa best performance



TABEL I. DATA INPUT HUBUNG SINGKAT SEMUA SKEMA 2 FASA DAN 3 FASA

Input

Isc max2 fasa dan 3 fasa

No. R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15

1 3450 1200 744 71 345 899 899 345 71 744 1200 1930 2170 347 337

2 2470 3190 1610 916 522 21 21 522 916 1610 2070 2470 2030 353 334

3 1590 2260 2720 1770 1370 828 828 1370 1770 2460 2260 1590 1990 712 683

4 736 1400 1840 2540 2230 1690 1690 2230 2640 1840 1400 736 1980 341 345

5 181 552 992 1680 2090 2570 2570 3130 1680 992 552 181 2020 338 346

6 1020 314 134 826 1230 1800 3550 1230 826 1430 314 1020 2160 453 408

7 3920 1370 851 76 394 1030 1030 394 76 851 1370 2200 2890 519 454

8 2820 3640 1840 1050 596 35 35 596 1050 1840 2360 2820 2790 528 450

46 921 1690 1690 2500 2470 1840 1840 2470 2470 1690 1690 921 2750 1.00E-07 1.00E-07

47 200 881 881 1680 1680 2700 2700 3340 1680 881 881 200 2800 1.00E-07 1.00E-07

48 776 62 62 854 854 1510 3640 854 854 62 62 776 2900 1.00E-07 1.00E-07

TABEL II. DATA TARGET ANN SEMUA SKEMA 2 FASA DAN 3 FASA

No. Jenis Lokasi TDS IPICKUP

R1 R2 R3 R4 R12 R13 R14 R15 R1 R2 R3 R12 R13 R14 R15

1 2 10 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

2 2 11 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

3 2 12 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

4 2 13 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

5 2 14 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

6 2 15 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

7 3 10 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

8 3 11 0.299 0.267 0.226 0.2042 0.188 0.172 0.151 0.1333 4.2 4.2 4.2 4.2 4.54 3.78 3.78

46 3 13 0.241 0.206 0.125 0.079 0.110 0.153 0 0 4.2 4.2 4.2 4.2 4.54 0 0

47 3 14 0.241 0.206 0.125 0.079 0.110 0.153 0 0 4.2 4.2 4.2 4.2 4.54 0 0

48 3 15 0.241 0.206 0.125 0.079 0.110 0.153 0 0 4.2 4.2 4.2 4.2 4.54 0 0

B. Perbandingan perhitungan manual dan ANN

Setelah di dapatkan nilai input yang di jelaskan pada tabel I dan data target unuk ann dan yang di jelaskan pada tabel II dan di lakukan proses pelatihan untuk mendapatkan nilai MSE terrendah selanjutnnya dilakukan proses validasi agar menggetahui selisih error antara ANN dan data target yg di jelaskan pada tabel III.

Setelah melakukan validasi dan mendapat nilai selisih error melakukan pengecekan terhadap CTI di semua skema agar tidak melebihi batas toleransi minimum CTI 0.2s [6]. Jika CTI rele backup di bawah ketentuan maka di sebut rele tidak terkoordinasi dengan baik dan akan terjadinya open pada rele yang tidak di inginkan salah 1 contoh yg di tunjukan pada sekema 1 di lokasi gangguan bus 10 CTI pada rele 1, 3, 13, 12, dan 11 melebihi batas minimum 0.2s di tunjukkan pada gambar 6.

Gambar 5 menunjukkan simulasi hubung singkat di bus 10 dengan jenis gangguan 3 fasa dan rele terkoordinasi sangat baik rele bekerja sesuai urutan koordinasinya dengan urutan rele 1 dan rele 12 sebagai utama sedangkan rele 11 dan 6 sebagai backup di dalam loop dan rele 13 backup rele 1 di kondisi radial.

Tabel III mejelaskan bahwa selisih error pada sekema 1 dan sekema 2 tidak melebihi 5% antara data target dan output ann sangat mirip sehingga metode algorithm neural network levenberg marquardt (ANNLM) sangat baik di gunakan untuk estimasi lokasi gangguan pada sistem distribusi loop dengan distributed generation (DG).

Tabel IV mejelaskan bahwa selisih error pada sekema 3 dan sekema 4 tidak melebihi 5% antara data target dan output ann sangat mirip sehingga metode algorithm of neural network levenberg marquardt (ANNLM) sangat baik di gunakan untuk estimasi lokasi gangguan pada sistem distribusi loop dengan distributed generation (DG).



TABEL III. SELISIH ERROR ANTARA TARGET DAN OUTPUT ANN SKEMA 1 DAN SKEMA 2

Skema 1 (G1+DG1+DG2) Skema 2 (G1+DG1)

Target ANN Error Target ANN Error Target ANN Error Target ANN Error

Jenis 2 2.0001 0.01% 3 2.9995 0.05% 2 2.0001 0.01% 3 3.0001 0.01%

Lokasi 10 9.9987 0.13% 10 9.9993 0.07% 14 13.9986 0.14% 14 14.0028 0.28%

TDS

0.299 0.2999 0.09% 0.299 0.2999 0.09% 0.266 0.2668 0.08% 0.266 0.2668 0.08%

0.267 0.267 0.00% 0.267 0.2671 0.01% 0.234 0.2345 0.05% 0.234 0.2345 0.05%

0.226 0.2262 0.02% 0.226 0.2262 0.02% 0.192 0.1922 0.02% 0.192 0.1922 0.02%

0.204 0.2042 0.02% 0.204 0.2042 0.02% 0.165 0.1655 0.05% 0.165 0.1654 0.04%

0.172 0.1729 0.09% 0.172 0.1729 0.09% 0.114 0.1142 0.02% 0.114 0.1142 0.02%

0.167 0.1673 0.03% 0.167 0.1673 0.03% 0.115 0.1153 0.03% 0.115 0.1153 0.03%

0.307 0.307 0.00% 0.307 0.307 0.00% 0.292 0.2929 0.09% 0.292 0.2929 0.09%

0.266 0.2669 0.09% 0.266 0.2669 0.09% 0.251 0.2518 0.08% 0.251 0.2518 0.08%

0.225 0.2254 0.04% 0.225 0.2254 0.04% 0.192 0.1923 0.03% 0.192 0.1923 0.03%

0.206 0.2069 0.09% 0.206 0.2069 0.09% 0.181 0.1819 0.09% 0.181 0.1819 0.09%

0.18 0.181 0.10% 0.18 0.181 0.10% 0.154 0.1547 0.07% 0.154 0.1547 0.07%

0.188 0.1884 0.04% 0.188 0.1884 0.04% 0.168 0.1684 0.04% 0.168 0.1684 0.04%

0.172 0.1728 0.08% 0.172 0.1728 0.08% 0.169 0.1695 0.05% 0.169 0.1695 0.05%

0.151 0.1512 0.02% 0.151 0.1513 0.03% 0.144 0.1441 0.01% 0.144 0.1442 0.02%

0.133 0.1334 0.04% 0.133 0.1333 0.03% 0.0000001 0.0000001 0.00% 0.0000001 0.0000001 0.00%

Ipickup

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.546 4.546 0.00% 4.546 4.5465 0.05% 4.546 4.546 0.00% 4.546 4.5465 0.05%

3.787 3.788 0.10% 3.787 3.7903 0.33% 3.787 3.788 0.10% 3.787 3.7914 0.44%

3.787 3.788 0.10% 3.787 3.7877 0.07% 0.0000001 0.0001 0.01% 0.0000001 0.0016 0.16%

TABEL IV. SELISIH ERROR ANTARA TARGET DAN OUTPUT ANN SKEMA 3 DAN SKEMA 4

Skema 3 (G1+DG2) Skema 4 (G1)

Target ANN Error Target ANN Error Target ANN Error Target ANN Error

Jenis 2 2 0.00% 3 3.001 0.10% 2 2.0001 0.01% 3 3 0.00%

Lokasi 12 11.99 0.07% 12 12.00 0.27% 15 15.0023 0.23% 15 15.0019 0.19%

TDS

0.276 0.277 0.10% 0.276 0.2769 0.09% 0.241 0.2414 0.04% 0.241 0.2414 0.04%

0.242 0.2423 0.03% 0.242 0.2422 0.02% 0.206 0.2066 0.06% 0.206 0.2066 0.06%

0.182 0.1822 0.02% 0.182 0.1822 0.02% 0.125 0.1258 0.08% 0.125 0.1257 0.07%

0.166 0.1668 0.08% 0.166 0.1669 0.09% 0.079 0.0791 0.01% 0.079 0.0709 0.81%

0.139 0.14 0.10% 0.139 0.14 0.10% 0.084 0.0845 0.05% 0.084 0.0845 0.05%

0.14 0.1401 0.01% 0.14 0.1401 0.01% 0.084 0.0845 0.05% 0.084 0.0845 0.05%

0.271 0.2717 0.07% 0.271 0.2717 0.07% 0.249 0.2491 0.01% 0.249 0.2491 0.01%

0.232 0.2325 0.05% 0.232 0.2326 0.06% 0.207 0.208 0.10% 0.207 0.208 0.10%

0.19 0.1905 0.05% 0.19 0.1905 0.05% 0.149 0.1498 0.08% 0.149 0.1498 0.08%

0.166 0.1668 0.08% 0.166 0.1668 0.08% 0.13 0.1306 0.06% 0.13 0.1306 0.06%

0.116 0.1166 0.06% 0.116 0.1166 0.06% 0.084 0.0848 0.08% 0.084 0.0848 0.08%

0.135 0.1351 0.01% 0.135 0.1351 0.01% 0.11 0.1103 0.03% 0.11 0.1103 0.03%

0.164 0.1643 0.03% 0.164 0.1643 0.03% 0.153 0.1533 0.03% 0.153 0.1533 0.03%

0.00001 0.0001 0.00% 0.001 0.001 0.00% 0.001 0.001 0.00% 0.001 0 0.00%

0.13 0.1307 0.07% 0.13 0.1306 0.06% 0.001 0.001 0.00% 0.001 0 0.00%

Ipickup

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00% 4.2 4.2 0.00%

4.546 4.5465 0.05% 4.5465 4.5465 0.00% 4.546 4.5465 0.05% 4.546 4.5465 0.05%

0.0000001 0.0008 0.08% 0.0000001 0.0003 0.03% 0.0000001 0.0003 0.03% 0.0000001 -0.0001 0.01%

3.787 3.7881 0.11% 3.787 3.7871 0.01% 0.0000001 0.0008 0.08% 0.0000001 -0.0005 0.05%



Gambar 5. Simulasi koordinas rele pada bus 10 dengan jenis gangguan 3 fasa

Pada gambar 6 menunjukkan Rele 12 trip terlebih dahulu pada waktu 0.687 detik dengan arus yang terdeteksi 2.202 kA dan disusul rele 11 sebagai rele backup pada 0.889 detik dengan arus trip 1.37 Ka.

Gambar 6. Kurfa CTI pada skema 1 bus 10 jenis gangguan 3 fasa

Dan pada gambar 7 Rele 1 trip terlebih dahulu pada waktu 0.832 detik dengan arus yang terdeteksi 3.919 kA dan disusul rele 13 dan 6 sebagai rele backup pada 1.14 detik dan 1.03 detik dengan arus trip 2.895 kA dan arus trip 1.03 kA.

Gambar 7. Kurfa CTI pada skema 1 bus 10 jenis gangguan 3 fasa

Pada gambar 8 menjelaskan sebagai contoh validation ann pada skema 1 pada jenis gangguan 2 fasa dan 3 fasa pada lokasi bus 10 di tunjukkan kurfa kemiripan antara data target dan data output ann bahwa metode ANNLM baik dan cocok digunakan untuk estimasi lokasi gangguan.



Gambar 8. Kurfa validation ann skema 1 bus 10 jenis gangguan 2 fasa dan 3 fasa

V. KESIMPULAN

Berdasarkan hasil simulasi dan analisa pada penelitian ini koordinasi rele dan juga estimasi lokasi gangguan pada sistem distribusi loop IEEE 9 bus, dapat di ambil kesimpulan. Pelatihan dan pengujian yang telah di lakukan menggunakan metode Algorithm of Neural Network Levenberg Marquard menggunakan data Isc max dapat menentukan nilai TDS, ipickup, lokasi, dan jenis gangguan yang tepat pada neuron ke 7 dan iterasi ke 1000.

Dengan menggunakan metode Algorithm of Neural Network Levenberg Marquardt didapat tingkat error antara data target dan ann yang sangat rendah dalam estimasi lokasi gangguan di bawah 5% yaitu selisih pada Ipickup sebesar 0.24% pada TDS sebesar 0.81% pada jenis gangguan sebesar 0.10% sedangkan pada lokasi gangguan sebesar 0.19% dan Pembangkit tersebar (DG) yang terhubung pada sistem tenaga listrik menyebabkan perubahan arus dan penambahan nilai gangguan pada setiap kominasi sehingga setting rele harus menyesuaikan di setiap pembangkitan.

REFERENSI

[1] Agus Supardi, Tulus Wahyu Wibowo, Supriyadi. 2012. “Analisis hubungsingkat 3 fasa pada sistem distribusi standar IEEE 18 bus dengan adanya pemasangan distributed generation (DG)”. Simpasium Nasional RAPI XI FT UMS ISSN : 1412-9612. Surakarta.

[2] Daeng Rahmatullah, Mauridhi Hery P,Nargo Pujiantoro, dan Anang Tjahjono. 2017. “adaptive DOCR coordination in loop distribution system with distributed generation using artificial neural network”. Departemen Of Electrical Enginering, Istitut Teknologi Sepuluh Nopember. Surabaya. (unpublished)

[3] Azriyenni, Missi Ebta Dame. 2017. “Pemodelan Strutur teknik cerdas untuk sistem proteksi rele jarak”. Sinergi vol.21, Pekanbaru.

[4] Farzad Dehghani, Hamid Nezami. 2013. “a new fault location technique on radial distribution systems usingartificial neural network”, International Conference on Electricity Distribution, Stockholm.

[5] Sri Kusuma Dewi. 2004. “membangun jaringan syaraf tiruan menggunakan matlab & excel link”. PT. Graha Ilmu. Yogyakarta.

[6] Dony Kurniyawan Tabarok, Azmi Saleh, Bambang Sri Kaloko. 2017. “optimasi penempatan distributed generation (DG) dan kapasitor pada sistem distribus radial menggunakan metode genetic algorithm (ga) (studi kasus pada penyulang watu ulo jember)”. BERKALA SAINSTEK. Jember.

[7] Rahmat, Rachmad Setiawan, Mauridhi Hery Purnomo. 2006. “perbandingan algoritma levenberg-marquardt dengan metoda backpropagation pada proses learning jaringan saraf tiruan untuk pengenalan pola sinyal elektrokardiograf”. Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta.



estimasi lokasi gangguan hubung singkat pada sistem

Documents