Setting DOCR Adaptif Pada Sistem Distribusi Dengan Pembangkit Tersebar Mengggunakan Agoritma PSO-Neural Network

Rahmatullah, Daeng (2017) Setting DOCR Adaptif Pada Sistem Distribusi Dengan Pembangkit Tersebar Mengggunakan Agoritma PSO-Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
2215201342-Master-Theses.pdf
Restricted to Repository staff only

Download (4MB) | Request a copy

Abstract

Untuk merancang koordinasi proteksi sistem distribusi pasif tidak begitu sulit, sedangkan pada sistem distribusi aktif atau jaringan yang terdiri dari pembangkit tersebar (DG) cukup menantang bagi teknisi proteksi. Selain itu, arus hubung singkat juga akan bervariasi jika ada DG pada sistem, sehingga perlu mengkoordinasikan kembali proteksi rele di sistem tersebut. Untuk mengatur ulang proteksi rele, para teknisi membutuhkan lebih banyak waktu. Namun untuk mengurangi waktu perhitungan pengaturan rele, koordinasi proteksi adaptif dan optimal diusulkan dalam penelitian ini dengan menggunakan Particle Swam Optimization dan Artificial Neural Network (PSO-ANN). Penelitian ini menggunakan kombinasi pembangkitan, Arus hubung singkat dan arus nominal yang mengalir sebagai data masukan dan low setting directional overcurent relay (DOCR) hasil optimalisasi PSO sebagai data target. ANN yang digunakan adalah Backpropagration conjugate gradient(BCG). Penelitian ini diujicoba pada sistem loop IEEE 9 bus yang dimodifikasi dan dilengkapi dengan DG. Setelah mencapai konvergen proses pembelajaran BCG, akan didapatkan nilai bobot dan bias hasil pelatihan dan nantinya sebagai nilai acuan untuk mendapatkan nilai setting low set rele.proses tersebut akan menghasilkan setting rele secara otomatis berdasarkan hasil optimalisasi dan latihan PSO-ANN. Hasil penelitian ini telah dibuktikan dalam simulasi ETAP yang berhasil dan jelas bahwa algoritma PSO-ANN merupakan metode yang cocok untuk memodelkan sistem koordinasi relay adaptif dan optimal. ==================================================================== To design the coordination protection for passive distribution system is not the tough work, while active or mesh distribution system which consists many distributed generators is quite more challenge for protection engineers. Additionally, the short circu it current will also vary if any DG in the system is offline, which causes to re - coordinate the relay protection in the system. To reset the relay protection, the engineers need more time. However, in order to reduce the time of relay setting calculation, the adaptive and optimization protection coordination is proposed in this study by using Particle Swam Optimization and artificial neural network (PSO-ANN). The study bases on the combinations of DGs’ state and the current levels as the input data and low setting of the directional overcurrent relays(DOCR) from output PSO as the target data training. ANN used is Backpropagation conjugate gradient(BCG). This research is conducted on modified IEEE 9-bus system equipped with distributed generators. After rea ching convergence of BCG learning process, the results of weights and biases as reference to get value setting low set relay. It will generate the relay setting automatically base on the results of PSO-ANN. The results of this res earch has been testified in ETAP simulation successfully and it is obvious that PSO-ANN is a robust method to model adaptive relay coordination system with optimal relay operation time.

Item Type: Thesis (Masters)
Additional Information: RTE 621.317 Rah s
Uncontrolled Keywords: Koordinasi proteksi adapif; Pembangkit Tersebar (DG); Particle Swam Optimization (PSO); Artificial Neural Network(ANN)
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions: Faculty of Industrial Technology > Electrical Engineering > (S2) Master Theses
Depositing User: Daeng Rahmatullah .
Date Deposited: 11 Sep 2017 08:18
Last Modified: 27 Dec 2017 04:27
URI: http://repository.its.ac.id/id/eprint/42673

Actions (login required)

View Item View Item