PENGGUNAAN BACKPROPAGATION NEURAL NETWORK PADA RELAY JARAK UNTUK MENDETEKSI GANGGUAN PADA JARINGAN TRANSMISI

Nama : FRANS ANDIKA PARDOSI

Nim : 5103331012

Jurusan Pendidikan Peknik Elektro

Universitas Negeri Medan, 2011

ABSTRAK

Relay jarak digunakan untuk mengamankan jaringan transmisi dari gangguan hubung singkat, biasanya dirancang dengan range setting yang tetap. Jika impedansi jaringan transmisi yang akan diamankan tidak berada derange setting impedansi relay jarak, maka relay tidak bias bekerja. Penggunaan backpropagation neural network pada relay jarak untuk mendeteksi gangguan dengan mengenali pola-pola bentuk gelombang tegangan dan arus. Prinsip dari backpropagation neural network pada aplikasi relay jarak adalah maping untuk mengenali bentuk gelombang tegangan dan arus. Backpropagation neural network deprogram secara terpadu menggunakan algoritma generalized delta rule (GDR) untuk mengenali pola-pola bentuk gelombang tegangan dan arus pada kondisi saluran transmisi terganggu, dengan menggunakan tegangan dan arus phasa sebagai input, output backpropagation neural network dalam hal ini adalah keputusan trip/tidak trip. Jika hasil maping bernilai antara 0,5-1 maka relay jarak akan memberikan sinyal pada CB untuk trip. Relay jarak tidak memberi sinyal untuk trip pada CB jika hasil maping bernilai 0-0,49.

Kata-kata kunci: Relay Jarak, Sistem Tenaga Listrik, Backpropagation Neural Network

Pendahuluan

Perlindungan saluran transmisi mempunyai peran penting dalam perlindungan sistem daya listrik, karena saluran transmisi merupakan sarana penting suatu jaringan yang menghubungkan stasiun Pembangkit Tenaga Listrik dengan pusat beban. Rentangan jaringan transmisi cukup panjang, sehingga sangat rentan terhadap gangguan yang terjadi dalam system daya listrik. Salah satu gangguan yang terjadi adalah hubung singkat, baik hubung singkat antar-phasa maupun phasa dengan tanah. Apabila gangguan tersebut berlangsung lama, maka akan mempengaruhi sistem yang lain, di antaranya adalah: kestabilan daya berkurang, peralatan yang berada setelah gengguan akan rusak, karena arus yang lewat besar, arus phasa tak seimbang, tegangan jala-jala akan turun.

Pada umumnya perlindungan saluran transmisi tenaga listrik menggunakan sistem proteksi dengan relay jarak. Relay jarak dapat memberikan indikasi daerah terjadinya gangguan. Relay jarak digunakan untuk mengamankan saluran transmisi dari gangguan dalam zona proteksinya. Kerja relay jarak adalah berdasarkan perbandingan arus gangguan yang dirasakan oleh relay terhadap tegangan di mana relay jarak dipasang. Nilai perbandingan antara tegangan dan arus adalah:

tersebut dibandingkan dengan impedansi saluran transmisi (ZL) yang diamankan. Jika Zf < ZL relay jarak akan bekerja. Umumnya relay jarak dirancang dengan range setting impedansi tertentu yang tetap. Jika impedansi saluran transmisi yang diamankan tidak berada dalam range setting impedansi relay jarak, maka konfigurasi saluran transmisi harus diubah agar besar impedansi saluran transmisi berada dalam range setting impedansi relay jarak. Dalam merancang sistem proteksi perlu mempertimbangkan karakteristik relay yang ada di pasaran. Keterbatan range setting impedansi dapat dihilangkan dengan menggunakan Backpropagation Neural Network dalam mendeteksi gangguan. Penggunaan Backpropagation Neural Networ pada relay jarak adalah untuk mendeteksi gangguan tidak mempunyai keterbatan range setting impedansi, karena cara kerjanya berbeda dengan relay jarak konvensional, yaitu dengan cara memprogram bagian Neural Network dari relay jarak dengan data-data saluran transmisi yang akan diamankan.

Tinjauan Pustaka

1 Cara Kerja Relay Jarak

Prinsip dasar kerja relay jarak adalah membandingkan arus gangguan yang dirasakannya terhadap tegangan di mana relay tersebut dipasang. Dengan membandingkan kedua harga tersebut, Impedansi saluran transmisi dari lokasi relay sampai titik/lokasi gangguan dapat diukur. Jika nilai perbandingan lebih kecil dari impedansi saluran yang diamankan maka relay bekerja dengan memberi sinyal kepada trip coil CB sehingga CB memutuskan saluran yang mengalami gangguan tersebut.

2 Komponen Relay

Komponen utama relay jarak adalah komparator yang berfungsi untuk membandingkan impedansi gangguan dengan setting impedansi dari relay. Ada dua jenis komparator:

- Komparator amplitude

- Komparator sudut phasa

Sub komponen dari relay jarak adalah elemen perasa gangguan yang berguna untuk mendeteksi secara langsung gangguan yang terjadi. Elemen perasa gangguan berfungsi untuk:

- Secara langsung maupun tidak langsung mengatur switch pengukurnya pada tegangan atau arus sesuai dengan jenis gangguan serta phasa yang terganggu.

- Menentukan arah lokasi gangguan dan mencegah masuknya impedansi beban.

3 Syarat-Syarat Relay Pengaman

Agar sistem pengamanan saluran transmisi dapat bekerja dengan baik apabila terjadi gangguan sesuai dengan ketentuan yang berlaku, maka syarat-syarat berikut harus dipenuhi antara lain:

a. Cepat

Relay harus cepat bereaksi/bekerja bila system mengalami gangguan. Kecepatan bereaksi dari relay adalah pada saat relay mulai merasakan gangguan sampai dengan pelaksanaan pelepasan circuit breaker (CB) karena perintah dari relay tersebut. Waktu bereaksi ini harus diusahakan secepat mungkin sehingga dapat dihindari kerusakan pada alat serta membatasi daerah yang mengalami gangguan. Mengingat suatu sistem tenaga mempunyai batas-batas stabilitas, mungkin gangguan sistem bersifat sementara, maka relay yang semestinya bekerja denga cepat perlu diperlambat (time delay), seperti yang ditunjukan melalui persamaan berikut:

 

di mana:

top = total waktu yang diperlukan untuk memutuskan hubungan

tp = waktu unit relay beroperasi

tcb = waktu yang dibutuhkan untuk pelepasan CB

Umumnya top sekitar 0,1 detik, kerja peralatan pengaman sudah dianggap baik.

b. Selektif

Kecermatan dalam memilih pengadaan pengaman, hal ini menyangkut koordinasi pengamanan dari sistem secara keseluruhan. Untuk mendapatkan keandalan yang tinggi, maka relay pengaman harus mempunyai kemampuan selektif yang tinggi, dengan demikian segala sesuatu tindakan akan tepat dan akibat gangguan dapat dikurangi sekecil mungkin.

c. Sensitif

Relay harus bekerja dengan kepekaan yang tinggi, harus cukup sensitif terhadap gangguan di daerahnya, meskipun ganggauan yang terjadi kecil relay tetap meresponsnya.

d. Reliability

Keandalan relay dilihat dari jumlahnya bekerja mengamankan daerahnya terhadap gangguan yang terjadi. Keandalan relay dikatakan baik, jika mempunyai harga 90%-99%. Keandalan relay dapat dibedakan menurut:

-Dependability : relay harus dapat diandalkan setiap saat

- Security : tidak boleh bekerja bila belum saatnya bekerja

e. Sederhana

Makin sederhana sistem relay semakin baik, karena setiap peralatan relay memungkinkan mengalami kerusakan. Dengan demikian memungkinkan untuk memperkecil terjadinya kerusakan.

f. Ekonomis

Dengan tidak mengabaikan persyaratan minimal yang harus dimiliki oleh relay, dipilih harga relay yang relatif murah.

Aplikasi Backpropogation Neural Network pada Relay

Kerja ini diharapkan dapat mengindentifikasi lokasi gangguan pada saluran sebesar 80% dari panjang saluran tersebut. Magnitude tegangan dan arus phasa yang dijadikan sebagai input. Untuk memperoleh magnitude dan sudut phasa dari gelombang digunakan filter discrete fourier transform (DFT) setengah gelombang. Dengan masukan ini diharapkan dapat membedakan antara gangguan yang terjadi di 80% panjang saluran transmisi dan gangguan yang terjadi diluar daerah proteksi.

Gambar 1. Arsitektur neural network

Sebagai keluaran dari neural network adalah keputusan apakah gangguan itu terjadi di daerah proteksinya (diberi nilai 0) atau diluar daerah proteksinya (diberi nilai 1). Komponen relay jarak menggunakan neural network hampir sama dengan relay jarak konvensional, hanya bagian komparator diganti dengan neural network.

Pembahasan

Dalam menggunakan Backpropagation Neural Network pada relay jarak, untuk mendeteksi gangguan dilakukan langkah sebagai berikut:

1. Menentukan Arsitektur Neural Network

Struktur backpropagation terdiri dari tiga lapisan yang terhubung penuh (full connected), yaitu: input layer, hidden layer dan output layer.

2. Program Secara Terpadu

Backpropagation Neural Network diprogram secara terpadu (supervised) dengan menggunakan Algoritma Generalized Delta Rule (GDR) dengan Langkah sebagai berikut:

          a. Inisialisasi iterasi N = 1

b. Inisialisasi matriks bobot Wij dengan bilangan random, atau nilai yang diperoleh sebelumnya.

c. Masukan pola input dan hitung respons jaringan neural network.

d. Hitung error output menggunakan rumus berikut:

di mana: t = target output.

O = keluaran dari neural network.

e. Jika E ≤ Et (threshold) atau N ≥ Nmax, stop program.

Hitung output neuron dengan rumus:

di mana:

f(x) = turunan fungsi sigmoid.

x = input neuron, total output dari hidden layer yang terkoreksi.

f. Hitung keluaran hidden layer, dengan rumus:

   di mana:

n = jumlah neuron pada output layer.

wnj = bobot koneksi dari neuron j ke neuron n.

n = keluaran dari neuron ouput.

g. Update matrik bobot wij dengan rumus:

di mana:

β = laju pembelajaran (learning rate).

α = parameter momentum.

oj = output neuron I yang masuk ke neuron j

j = keluaran dari neuron hidden.

h.  Naikan harga N, kembali kelangkah c. hingga langkah e. terpenuhi.

Program dilakukan sampai error melampaui ambang toleransi atau jumlah program telah mencapai harga yang telah ditentukan.  Setelah program selesai dilakukan dengan  ambang toleransi terpenuhi, matriks bobot  Wji dipakai untuk mendeteksi gangguan  yang terjadi di saluran transmisi.

3.  Pengujian Hasil Program Terpadu

Dilakukan  dengan menggunakan data yang dipakai pada saat program terpadu, jika menghasilkan keluaran yang benar, maka proses

berhasil.

4.  Memproses Data Input

Program neural network akan berlangsung lebih efisien dan efektif bila data-data input berada pada suatu range tertentu. Untuk itu data input aktual yang berupa sinyal yang berada dalam time domain diubah ke frekuensi domain dan dijadikan fungsi diskrit. Hasilnya dinormalisasi agar berada  dalam satu  range yang dipilih. Range yang dipilih adalah range 0 sampai 1, karena yang paling banyak dipakai, yang diperoleh dengan melakukan langkah berikut :

a.       Data awal dinormalisasi dengan rumus:

            di mana:  

Xi  = data ke-i.

 X  = rata-rata data.

 n = standar deviasi data.

b.       Hasil dari normalisasi dimampatkan dengan fungsi sigmaid dengan rumus :

Memperoses Data Output

Hasil dari output layer masih berupa data dalam range 0 sampai 1. Output dari  Backpropagation Neural Network adalah deteksi  gangguan, maka nilai berada dalam interval 0 – 0,499 berarti gangguan berada dalam zona proteksinya. Jika nilai berada dalam interval 0,5 – 1,0 berarti gangguan terjadi diluar zona proteksinya.

Diagram Sistem Tenaga Listrik

Untuk merealisasikan Bacjpropogation Neural Network pada relay jarak untuk mendeteksi gangguan yang terjadi digunakan simulasi gangguan saluran transmisi seperti yang terlihat pada gambar di bawah :

Gambar 2 : Saluran transmisi yang digunakan untuk studi bakpropagation neural network

Dari saluran transmisi tersebut disimulasikan terjadinya gangguan di sepanjang saluran.

Jenis gangguan yang disimulasikan adalah:

1.  Gangguan satu phasa ke tanah

2.  Gangguan antar phasa

3.  Gangguan dua phasa ke tanah

4.  Gangguan tiga phasa.

Dari hasil simulasi gangguan dibuat data untuk memprogram  backpropagation neural network. Sedangkan data targetnya adalah 0 (bila gangguan berada dalam daerah proteksi) dan 1 (bila gangguan  berada diluar daerah proteksinya).

Kesimpulan

      Penggunaan  backpropagation neural network pada  relay jarak untuk mendeteksi gangguan, ternyata dapat mengenali daerah proteksinya. Relay jarak dengan bacpropagation neural network dalam operasinya lebih presisi karena prosesnya elektronik (digital). Kondisi lain adalah apabila kondisi saluran transmisi yang diamankan mengalami perubahan, maka backpropagation neural network pada relay jarak perlu diprogram lagi.

Daftar Pustaka

      A.G. Phadke and J.S. Yhop, 1988.  “Computer Relaying for Power System”, John Wiley and Sons

      Dan W. Patterson, 1995.  “Artificial Neural Networks, Theory and Applications”, Prentice Hall

      R.T. Lythall C, 1992. “The J & P Swictgear Book”, Butterworths, London

      Wiliam D. Stevenson , 1996.   “Analisis Sistem Tenaga Listrik”, Erlangga, Jakarta