PENERAPAN ALGORITMA GENETIKA PADA MASALAH PENJADWALAN OPERASI SISTEM PEMBANGKIT TENAGA LISTRIK

Abstract

Kehidupan manusia saat ini tidak dapat dipisahkan dari listrik. Kebutuhan listrik tersebut disuplai oleh unit-unit pembangkit listrik yang saling terhubung membentuk sistem tenaga listrik. Biaya operasi sistem tenaga listrik merupakan bagian biaya terbesar bagi suatu perusahaan listrik dan 60% dari biaya tersebut adalah biaya bahan bakar. Listrik yang dibangkitkan oleh sistem tenaga listrik sangat tergantung pada kebutuhan pelanggan yang selalu mengalami perubahan dari waktu ke waktu. Oleh karena itu harus dilakukan penjadwalan operasi sistem tenaga listrik agar biaya pembangkitan minimal. Masalah penjadwalan operasi sistem tenaga listrik ini disebut dengan unit commitment. Unit commitment berkaitan erat dengan masalah economic dispatch yakni masalah menentukan berapa besar daya yang dibangkitkan oleh unit yang beroperasi. Penelitian bertujuan mendapatkan jadwal operasi sistem pembangkit tenaga listrik yang optimal dengan menerapkan fitness scaling dalam algoritma genetika. Algoritma genetika bekerja dengan membangkitkan sekumpulan jadwal pembangkitan secara acak. Kemudian dihitung biaya pembangkitan dari masingmasingjadwal tersebut. Biaya pembangkitan ini kemudian ditransformasi menjadi nilai fitness. Untuk meningkatkan performa algoritma genetika, dilakukan fitness scaling. Jenis fitness scaling yang digunakan adalah exponential scaling. Selanjutnya jadwal pembangkitan direproduksi melalui tahapan seleksi, crossover, dan mutasi sehingga diperoleh jadwal pembangkitan yang baru dengan biaya pembangkitan lebih minimal dari jadwal sebelumnya. Data yang digunakan dalam penelitian ini adalah data karakteristik pembangkit pada PLN PJB II yang beroperasi di Jawa Timur dan Bali. Terdapat lima belas unit pembangkit yang siap beroperasi dengan beban harian selama 24 jam. Ukuran populasi yang digunakan adalah 30 yakni terdapat 30 jadwal pembangkitan dalam satu iterasi dengan probabilitas crossover( sebesar 0,85, probabilitasmutasi)enam belas ribu tiga puluh empat rupiah). sebesar 0,00009, dan iterasi maksimum sebanyak 1000. Jadwal pembangkitan terbaik diperoleh pada iterasi ke-920 dengan biaya pembangkitan sebesar Rp 17.093.816.034 (tujuh belas milyar sembilan puluh tiga juta delapan ratus