Pengembangan Metode Multi-Interval Day-Ahead Optimal Power Flow Menggunakan Teaching Learning Based Optimization Untuk Sistem Tenaga Listrik Dengan Penetrasi Photovoltaic

Maulana, Ricky (2026) Pengembangan Metode Multi-Interval Day-Ahead Optimal Power Flow Menggunakan Teaching Learning Based Optimization Untuk Sistem Tenaga Listrik Dengan Penetrasi Photovoltaic. S3 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) 01. Cover dan Abstrak.pdf - Published Version Download (614kB)
	Text (Bab I. Pedahuluan) 02. Bab I.pdf - Published Version Download (791kB)
	Text (Bab VI. Simpulan) 03. Bab VI.pdf - Published Version Download (538kB)
	Text (Daftar Pustaka) 04. Daftar Pustaka.pdf - Published Version Download (497kB)
	Text (Disertasi Fulltext) 05. Disertasi Fulltext.pdf - Published Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Peningkatan penetrasi pembangkit energi terbarukan, khususnya photovoltaic (PV), menimbulkan tantangan baru pada operasi sistem tenaga listrik akibat karakteristik intermiten dan ketidakpastian daya keluarannya. Kondisi ini menyebabkan metode optimal power flow (OPF) konvensional menjadi kurang representatif untuk sistem tenaga modern berbasis smart grid. Penelitian ini bertujuan mengembangkan metode aliran daya optimal satu hari ke depan berbasis multi-interval dengan integrasi peramalan daya PV dan optimasi multi-objektif terhadap biaya pembangkitan serta rugi-rugi daya. Metode yang dikembangkan menggunakan model Seasonal Autoregressive Integrated Moving Average (SARIMA) untuk memprediksi daya keluaran PV selama 24 jam ke depan yang diintegrasikan ke dalam kerangka multi-interval OPF. Proses optimasi diselesaikan menggunakan algoritma Teaching Learning Based Optimization (TLBO) dan hybrid TLBO-Pareto untuk memperoleh solusi kompromi terbaik antara biaya operasi dan rugi-rugi daya sistem. Pengujian dilakukan pada sistem IEEE 30-bus yang dimodifikasi dan sistem kelistrikan riil Sumatra Barat dengan integrasi PV pada bus GI Solok. Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu memenuhi batasan teknis sistem pada seluruh interval pengamatan. Pada pengujian IEEE 30-bus, pendekatan SARIMA-OPF menghasilkan biaya operasi rata-rata 777,82 $/h, lebih rendah dibandingkan pendekatan single-interval probabilistik Barnacles Mating Optimizer (BMO) sebesar 827,95 $/h. Integrasi peramalan PV dalam kerangka day-ahead multi-interval OPF mampu merepresentasikan kondisi operasi sistem tenaga listrik secara lebih realistis dan adaptif terhadap variasi pembangkitan energi terbarukan.

Actions (login required)

View Item