OPTIMISASI PENEMPATAN TURBIN ANGIN

DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKAMENGGUNAKAN ALGORITMA GENETIKA

Azimatul Khulaifah

2209 105 040Bidang Studi Sistem Tenaga

Jurusan Teknik Elektro FTI‐ITS

Dosen Pembimbing :Dosen Pembimbing :Heri Suryoatmojo, ST, MT, Ph.D

Vita Lystianingrum Budiharto Putri, ST, M.Sc

ANALISIS PROSES OPTIMASIParameter Fungsi Objektif

PARAMETER  TURBIN ANGIN PARAMETER ALGORITMA GENETIKA

g j

• Luas lahan angin = 2 km x 2 km• Jari‐jari rotor (rr) = 40 meter• Jarak antar turbin (x) = 200 meter

• Jumlah gen (Nbit) = 10

• Jumlah variabel (Nvar) = 10

• Jumlah populasi (UkPop) = 40• Kecepatan awal (u0) = 12 m/d• Tinggi menara (z) = 60 meter• Kekasaran permukaan tanah (z0) = 1

meter

Jumlah populasi (UkPop)   40

• Probabilitas pindah silang (Pc) = 0,8

• Probabilitas mutasi (Pm) = 0,05

• Generasi maksimum (MaxG) = 200

2

ANALISIS PROSES OPTIMASIParameter Fungsi Objektif

Fungsi Biaya (Cost) : Fungsi Daya (Ptot) :

N = Jumlah turbin angin V = kecepatan angin

Fungsi Objektif : 

OPTIMASI ALGORITMA GENETIKA

• Tujuan inisialisasi populasi : Membangkitkan populasiawal yang berukuran UkPoP x JumGen.

• Setiap kromosomnya terdiri dari gen-gen yang berupabilangan biner acak berbentuk vektor baris berukuran1x100.

• Bilangan 1 mewakili ada turbin angin dan bilangan 0mewakili tidak ada turbin.mewakili tidak ada turbin.

OPTIMASI ALGORITMA GENETIKA

• Tujuan Dekode kromosom : Setiap kromosom yang berisi bilanganbiner dikodekan menjadi individu ‘x’

• Hasil dari fungsi ini adalah individu ‘x’ yang terdiri dari x(1) sampaix(10).

• x(1) adalah hasil dekode dari Kromosom(1) sampai Kromosom(10),begitupun untuk individu ‘x’ selanjutnya.

OPTIMASI ALGORITMA GENETIKA

E l i i di id M hit il i fit d i t i di id ‘ ’ d iEvaluasi individu : Menghitung nilai fitness dari suatu individu ‘x’ daripersamaan fungsi objektif :

l

Membandingkan nilai fitness agar diperoleh nilai fitness dariindividu mana yang paling

Proses Elitisme :

Membuat satu atau dua kopidari individu bernilai fitnesstertinggi dan disimpan padaindividu mana yang paling 

maksimum (MaxF) dan minimum (MinF). 

tertinggi dan disimpan padavariabel TempPopulasi.

OPTIMASI ALGORITMA GENETIKA

T d i h kT j P k l il i fi Terdapat perintah sort untukmengurutkan nilai fitnessdari kecil ke besar(ascending)

Tujuan Penskalaan nilai fitness : 

Melakukan penskalaan nilai‐nilai fitness agar diperoleh nilaifi b l bih b ik (ascending).fitness baru yang lebih baik,yaitu yang memiliki variansitinggi.

Penskalaan nilai fitnessmenggunakan persamaan :

f(i) = fitness baru hasil pensklaanf(max) = fitness tetinggi hasil evaluasi individuf(min) = fitness terendah hasil evaluasi individuf(min) fitness terendah hasil evaluasi individuR(i) = ranking individu ke iN = jumlah individu dalam populasi

OPTIMASI ALGORITMA GENETIKA

• Tujuan seleksi : memilih kromosom mana yang akan menjadi induk danj y g jmengalami proses perkawinan atau pindah silang.

• Proses ini dilakukan dengan sistem pemilih acak berbobot menggunakanmetode roulette wheel.

Menghitung Jumlah Fitness hasilpenskalaan nilai fitness

M b di k ti il i fitMembandingkan setiap nilai fitnessdengan Jumlah Fitness

Membangkitkan bilangan acak RNpada interval (0 1)pada interval (0,1)

Apabila nilai fitness/Jumlah Fitnesslebih besar dari bilangan randomyang dibangkitkan maka kromosomyang dibangkitkan maka kromosomdengan indeks‐ii akan terpilihsebagai induk

OPTIMASI ALGORITMA GENETIKA

• Tujuan pindah silang : memindahsilangkan gen‐gen induk untuk menghaslkan dua buahkromosom anak.

• Proses ini dilakukan dengan skema one point crossover.

Menentukan satu titk potong secara acak pada kedua induk.p g p

Memindahkan gen‐gen antara kedua induk dengan titk pototng sebagai batasannya.

Bagian depan Bapak dan bagian belakang Ibu menghasilkan kromosom Anak 1

Bagian belakang Bapak dan bagian depan Ibu menghasilkan kromosom Anak 2

Crossover terjadi Jikabilangan random (rand) yang dibangkitkan kurang dariPsilang

OPTIMASI ALGORITMA GENETIKA

• Tujuan mutasi : memodifikasi nilai gen dalam satu kromosom.j g

• Proses ini dilakukan dengan skema swap mutation

Membangkitkan nilai random (rand) pada setiap proses perulangan.

Jika rand<Pmut maka gen diubahmenjadi nilai kebalikannya.

SIMULASI DAN ANALISAHasil Simulasi dan Analisa Hasil Perhitungan Manual dan Analisa

• Simulasi dilakukan dengan 10 kali running program . Hasil yang diperoleh adalah :

SIMULASI DAN ANALISA

• Grafik dan konfigurasi hasil optimasi dengan 46 turbin angin

Hasil Simulasi dan Analisa Hasil Perhitungan Manual dan Analisa

SIMULASI DAN ANALISA

• Dari hasil simulasi diperoleh :

Hasil Simulasi dan Analisa Hasil Perhitungan Manual dan Analisa

jumlah turbin yang digunakan menunjukkan angka yang berbeda yaitu berkisar 39 sampai 53 buah turbin. Total daya yang dihasilkan berkisar pada 85,908 MW sampai115,05 MW dengan total biaya antara 26.92 sampai 35.46. Efisiensi yang diperolehberkisar antara 68% sampai 88%berkisar antara 68% sampai 88%. 

• Solusi yang diperoleh dari setiap kali running berbeda‐beda. Hal ini dikarenakanadanya fungsi random pada setiap fungsi yang terdapat pada algoritma genetika.adanya fungsi random pada setiap fungsi yang terdapat pada algoritma genetika.

• Jumlah turbin yang banyak tidak selalu menghasilkan daya yang lebih besar. Halini dikarenakan terjadi pengurangan kecepatan pada turbin‐turbin tertentuakibat turbin di depannya.

• Total biaya yang dihasilkan tergantung dari banyaknnya turbin yang digunakan.Semakin banyak turbin yang digunakan maka total biaya akan lebih banyakmengalami pengurangan.

SIMULASI DAN ANALISA

• Hasil simulasi dengan 46 buah turbin angin dibandingkan dengan bentuk

Hasil Simulasi dan Analisa Hasil Perhitungan Manual dan Analisa

konfigurasi yang dibuat secara manual.

Konfigurasi Simulasi Konfigurasi Manual

SIMULASI DAN ANALISA

• Diperoleh hasil :

Hasil Simulasi dan Analisa Hasil Perhitungan Manual dan Analisa

SIMULASI DAN ANALISAHasil Simulasi dan Analisa Hasil Perhitungan Manual dan Analisa

• Hasil simulasi menunjukkan nilai‐nilai yang lebih baik untuk daya dan efisiensi,yaitu 115,05 MW dan 87% dibandingkan dengan hasil perhitungan manualsebesar 57,94 MW dan 48%.

• Sedangkan untuk biayanya, hasil simulasi dengan perhitungan manualmenunjukkan nilai yang sama, yaitu biaya sebesar 31,05. Hal ini dikarenakanuntuk menghitung biaya hanya dipengaruhi oleh banyaknya turbin yanguntuk menghitung biaya hanya dipengaruhi oleh banyaknya turbin yangdigunakan. Karena jumlah turbin yang digunakan pada simulasi dan perhitunganmanual adalah sama maka biaya yang dihasilkan juga bernilai sama.

Penutup

Dari hasil simulasi dan perhitungan manual dapat disimpulkan bahwa :1 M t d l it tik d t di k b i l h t l i d l1. Metode algoritma genetika dapat digunakan sebagai salah satu solusi dalam

menentukan konfigurasi penempatan turbin angin dalam suatu ladang angin secaraoptimum.

2. Dengan jumlah turbin yang sama tetapi dengan konfigurasi yang berbeda, darisimulasi dan perhitungan manual menunjukkan hasil yang berbeda untuk total dayadan efisiensi. Hasil dari simulasi menggunakan algoritma genetika lebih optimumdibanding dengan perhitungan manual.

3. Sedangkan untuk biaya, hasil simulasi dan perhitungan manual menunjukkan hasilyang sama karena biaya hanya dipengaruhi oleh banyaknnya turbin yang digunakanyang sama karena biaya hanya dipengaruhi oleh banyaknnya turbin yang digunakan.