FUZZY-TLBO OPTIMAL REACTIVE POWER CONTROL VARIABLES PLANNING FOR ENERGY LOSS MINIMIZATION Ahmad Moghadam, Ali Reza Seifi School of Electrical and Computer Engineering, Shiraz University, Shiraz, Iran Journal of Energy Conversion and Management www.elsevier.com/locate/enconman - 2014 presented by Ciptian Weried Priananda 2213201026

Meminimalkan loses transmisi Muqadimah Dispatch pembangkit Meminimalkan loses transmisi

OUTLINE Introduction Problem Classification Data and Analysis Conclusion

INTRODUCTION

Energy loss? Rugi 1-2%

Ide dasar Membagi Load Duration Curve (LDC) dalam beberapa interval waktu dengan daya aktif konstan disetiap interval. Mengerjakan permasalahan Energy Loss Minimizaton (ELM) untk meraih inisial set dari kontrol variabel sistem yang valid untuk semua interval waktu. Kontrol variabel yg diperoleh dijadikan inisial operating condition dari sistem.

How reactive power control variables planning? TEGANGAN BUS GENERATOR SHUNT CAPACITOR DAN ATAU SHUNT REACTOR ADJUSTING RPCVP CONTROL VARIABLES PELETAKAN REACTIVE POWER SOURCE STATIC REACTIVE POWER COMPENSATOR SETTING TRAFO TAP CHANGER

VARIOUS METHODS! Inaccurate insecure convergence Insufficient ability-exact solution VARIOUS METHODS! Improve efficiency GSA Opposition-based Self-adaptive GSA (OSAMGSA)[21] LINEAR PROGRAMMING (LP)[2] Differential Evolution (DE)[14] Harmony Search Algorithm (HSA)[22] Particle Swarm Optimization(PSO) [15] Robust, Flexible, Simple Handling non-convex Objective Function ADJUSTING RPCVP CONTROL VARIABLES Artificial Bee Colony(ABC)[21] Improve PSO yg secara adaptive adjusting parameter Gravitational Search Algorithm (GSA)[16,17] Fuzzy Adaptive PSO (FAPSO)[20] Modified Honey Bee Mating Optimization (MHBMO)[18] Teaching-Learning Based Optimization (TLBO)[19] Teaching-Learning Based Optimization (TLBO)[19]

Dalam paper ini…. Beban dimodelkan sebagai LDC yang memiliki time varying load -->> total rugi-rugi energi dioptimalkan Demand dari sistem disetiap interval adalah rata2 dari variasi beban dan diasumsikan konstan, namun akan berubah diinterval selanjutnya. Objective function-nya adalah meminimalkan energy loss Keefektifan dari metode yang diajukan akan diuji, disimulasikan dan dibandingkan.

PROBLEM CLASSIFICATION

Energy loss minimization TOTAL ENERGY LOSS Jumlah daya waktu EL = Total Energy Loss TD = time interval l = number load level k = time interval T = Total time ENERGI Untuk interval k tertentu nilai PLk

Setelah Energy Loss diformulasikan maka objective function menjadi f(X) = objective function EL = Total Energy Loss X = control variable (generator voltage,shunt var compensation, transformer tap setting) H = equality constraint G = inequality constraint

Equality Constraint ∆Pk = active power mismatch untk setiap interval k ∆Qk = active power mismatch untk setiap interval k

Inequality Constraint VG = generator voltage QC = shunt var compensation Tap = transformer tap setting QG = generator reactive power output VL = load bus voltage NG, NC, NTAP, NL = total generator, shunt var compensation, onload tap changer, load bus

TLBO?? Diperkenalkan oleh Rao et al [24] Tingkah Laku KBM di kelas Populasi TLBO adalah jumlah murid di kelas SIP! Requires very few input parameters which need tuning

Learner is the TLBO population Berinteraksi sesama learner secara random untk meningkatkan pengetahuannya. 1.Teacher is the most knowledgeable person, who want to share his knowledge. 2. Teacher plays the role of best solution obtained. 3. The output of the teacher phase are the input of the learner phase. Teacher Learner

Teacher phase Global Search of TLBO Ke level Teacher Dari inisial level XkDiff = perbedaan pengetahuan Rand = acak (0 sampai 1) Tk = iterasi teacher Mk = rata-rata yg dicapai iterasi tf = teaching factor Improve average result of the classroom Solusi di update berdasarkan perbedaan pengetahuan

learner phase Local Search of TLBO Kawan yang lebih andalan Tidak bertanya pada diri sendiri Xnew = nilai pengetahuan yg diharapkan optimal Xj ={xj,1 xj,2…. Xj,n-parameter} f(Xj) =fitness function dari learner j kesekian. Learner memilih kawan secara acak untk belajar Learner akan belajar dari kawan yang lebih baik pengetahuannya

Fuzzy untuk meningkatkan optimasi TLBO? Fuzzy optimization diperkenalkan Kenarangui dan Seifi untuk linear programming [13] Fuzzy adalah pengambilan keputusan yg didefinisikan sebagai interseksi dari objective function dan constrain Untuk mengenali titik optimal, objective function dan constraint dikarakteristikan sebagai membership function (fuzzyfikasi). Mencari nilai optimum dari fuzzy decision, yg diperoleh dari pemenuhan degree of satisfaction disetiap membership function.

Fuzzy– TLBO? Membership function fuzzy objective Fuzzy decision optimal Objective Function Membership function fuzzy constraint Degree of satisfaction Degree of satisfaction batas bawah batas atas Constraint Function

Step-wise solution procedure Sebelum implentasi optimization algorithm ini, beban dimodelkan sebagai LDC. General step-nya adalah mencari nilai PL (power loss) kemudian baru mengkalkulasi EL (energy loss). Strategi pencapaian solusi MHBMO, TLBO dan Fuzzy-TLBO berbeda. Fuzzy-TLBO populasi inisal di-generate dulu, baru objective function dievaluasi. Masing-masing Fuzzy dan TLBO kemudian berusaha mencapai objective function dengan cara sendiri-sendiri.

Step-wise solution procedure Fuzzy decision, diibaratkan teacher adalah orang paling berilmu. 2. Compute initial value of objective function (Energy Loss) 3. Generate the initial population and compute the objective function. Kemudian evaluasi nilai fuzy membership function dan kombinasi fuzzy (10) 1. Masukkan semua parameter power system data STEP 7. Printout hasilnya. 4. Masuk teacher phase, kalkulasikan rata-rata populasi (Mk), Xdiff (6), dan akhirnya dapatkan Xnewk+1 (8&10) 6. Check stop criterion, jika kurang memuaskan kembali pada step keempat. Jika sudah memuaskan lanjutkan… 5. Masuk learner phase, learner memperbaiki knowledgenya (9), objective function dan kombinasi fuzzy dari learner baru dikalkulasikan dan dikomparasi dengan objective function sebelumnya.

1,2,3 Flow chart 4 5 4 6 7

DATA AND ANALYSIS

Case studies ieee 30 bus 24 Load Bus 4 under load tap changer trafo 6 bus generator 41 Percabangan 6 reactive power sources

2 buah load duration curve 4 3 1 3 2 6 4 1 5

Algoritma yang dibandingkan Conventional Linear Programming Maximum number of generation (Iteration) = 50 Fuzzy Linear Programming VS Fuzzy TLBO TLBO Modified Honey Bee Mating Optimization

First load duration curve 2 4 3 1

Power Loss

Energy loss

Result of dependent variables

second load duration curve 3 2 6 4 1 5

Power loss

Energy loss

Optimal setting control variables

Result of dependent variables

Fuzzy-tlbo give the best answer

Computation time

Results

CONCLUSION

Fuzzy – TLBO telah di-develop dan disimulasikan pada IEEE 30-bus power system dalam dua buah skenario LDC. Fuzzy-TLBO mampu menghasilkan total energy loss yang lebih rendah dibandingkan beberapa metode sebelumnya dalam dua buah skenario LDC yang berbeda. Meski waktu komputasi tidak paling cepat namun hasil pencapian objective function – nya paling baik. Hasil akhir yang didapat pada masing-masing control-variables bisa digunakan untk initial operating condition dari system.

Terima kasih semoga bermanfaat