ISSN: 1693-6 930                                                       65      Stabilisato r  Sistem  Tenaga  Berba s i s  Ja ri ngan Sy araf Tirua n  Berul a ng …… (Widi  Aribowo)  STABILISATOR SISTEM TENAGA BERBASIS  JARINGAN SYARAF TI RUAN BERULANG   UNTUK SISTEM MESIN TUNGGAL      Widi Aribo w o   Fakulta s  Te knik, Unive r sit a s Nege ri Surabaya    Kampu s  Un e s a Jalan Keti ntang, Sura b a ya 6023 1   Telp. (03 1 ) 8 2800 09, Pes  500, 510, Fax  (031 ) 828 07 96   e-mail: w1ed 1e1 @yaho o.com        A b st r a ct  In this pape r,  recurrent ne ural net wo rk  (RNN ) i s  u s ed  to design p o w er  system  stabilize r   (PSS) due to its advantage on  the dependence not only on pres ent input but also on past  condition. A  RNN-PSS i s   able to  capture the dynam ic response of a syste m  wi thout any del a ys   cau s e d  b y   external  feedb a ck,  prim aril y  bythe  inte rnal  feedb ack l o o p  in  re cu rrent  neu ron.  In th is  pape r, RNNP SS consi s ts o f  a RNN-ident ifier and a  RNN-cont rolle r. The RNN-Ide n tifier functio n s  as the  tra c ker of dynam ics  cha r a c teri stics of the  plant,  while  the  RNN-cont rolle r i s  u s ed  to da m p   the system’ s   low fre que ncy o scill ation s . Sim u la tion result s u s ing  MATLAB de m onstrate th at the   RNNPSS can successfully  dam p out oscillation  and im prove the perform ance of the system .     Key w ords :  controlle r, iden tifier, powe r  system  st abili zer, re cu rre nt neural network, RNNPSS       Abs t rak     Pada   pen elitian ini, jaringa n sya raf tirua n  berul ang (RNN) di guna kan untu k  m ende sai n   stabili sator si stem  tenaga (PSS)  karena m e m punyai keunggulan bahwa kel uarannya tidak  han ya te rga n t ung p ada m a su ka n  saat i n i, tetapi jug a  terga n tung  p ada  ko ndisi   m a suka n  wa ktu   sebelum n ya.  RNNPSS dapat m enang kap respon di na m i k dari  si stem  tanpa wakt u tunda um pan   balik eksternal karena  neuron  berul a ng m e m punyai  um pan balik internal. RNNPSS yang  akan  digun akan d a lam  penelitian terdiri d a ri dua kom p o nen utam a, yaitu RNN-i d e n tifier dan RNN- controlle r. RNN-ide n tifier  berfun g si  unt uk m eng etah ui kare kte r isti k di nam ika  si stem , seda ng kan   RNN-c o ntroller  berfungs i  untuk  meredam os ilas i   frek ue ns i  rendah. Dari has il simulas i  RNNPSS  m a m pu  m e redam  osila si  freku e n s i renda h dan  m a m pu  m e m perbai ki pe rform ansi  si ste m .   Sim u lasi dilakuka n den gan  pera n g k at lun a k MATLAB.     Kata kunci : controller, identifier, jaringan syaraf be rulang, RNNPSS, stabilis ator si stem  tenaga      1. PEN DA HU LU AN  Stabilitas  sistem tenaga li stri k didefini s i k an seb agai kema mpu an suatu sistem tenaga  listrik  atau b agian  kom p o nen u n tuk m e mpe r taha nkan si nkroni sa si da n ke sei m bang an  sist em.   Dari   kead aan   ope ra sion al yang stabil d a ri sist e m  ten aga li stri k, terdapat  ke seim bang an  antara   daya in put m e ka nis pa da  prime r  m o ver den gan  day a  output li stri k  pada  si stem.  Dalam  kead a a n   ini sem ua g e nerato r  b e rp u t ar pad a  kea daan  sin k ron  [1]. Penggu naan AV R  (a utom atic volt age  regul ator)  d e ngan  pen gua tan yang tin ggi untu k   m enam b ah  ke stabila n si ste m  tenag a li strik  dapat me nim bulkan ketida ksta b ilan  saa t  kondi si-ko n d isi  khu s u s  (kon disi yan g   mende kati li mit  daya p enyalu r an ). Di  saat  kon d isi - kondi si te rsebut  bil a  ad a p e ru ba han  ke cil  beb an m a ka  um p an  balik yan g  ad a dapat meny ebab ka n red a m an neg atif [2].  PSS  adalah piranti dengan  fungsi t r ansfer tertentu y ang  dapat diatur besaran dan fasa.  Kedalam  PSS ini diinj e ksi k an si nyal yang antara  lai n  sefasa dengan  daya. Kemudian keluaran  PSS  dimasukkan ke rangkaian  eksi tasi [ 3 ]. Dengan m engatur fasa  PSS, sinyal keluaran eksitasi   aka n  m engh asil kan  re da man  po sitif yang b e rfun g s i m eng kom pen sir re dam an n egatif.  Agar  redaman postif PSS cukup  untuk mengkom pensir  redam an negatif, ko mponen penguat  (am p lifier)  yang ada di dal a m PSS harus diatur [4].   Evaluation Warning : The document was created with Spire.PDF for Python.
                                 ISSN: 16 93-6 930     TELKOM NIKA   Vol. 8, No. 1,  April 2010 :  65 - 72   66 Perkemba ng an  sistem  te naga  listri k  y ang  sem a ki n  ce pat d an  masal ah ya n g  sema kin  bera gam, me nuntut penye l esai an wakt u nyata.  Oleh ka rena itu,  pada ma kal ah ini diu s ul kan   desain jari ng an syaraf tiruan berulan g ( recurrent ne u r al network , RNN) untuk  stabilisator si stem   tenaga  (PSS ) yan g  d apa t mere sp on  peru bah an  p e rform a   si ste m  secara  la ngsung. Pa d a   penelitian ini  RNNPSS diaplikasi k an  (disimul asi k an dengan perangkat  lunak MATLAB) pada  sistem  mesin tunggal. Pengapli k asian  RNNPSS pa da si stem m e sin tunggal  dititik berat kan  pada kinerja RNNPSS  terhadap  osila si  frekuensi rendah dan per baikan perform ansi  sistem.       2. METODE  PENELITIAN  Kelemah an  b a ckpropa gati on n eural n e twork  adal ah terbata s nya pada   pelatih a n   fung si   statis d an  kel uara n  ha nya  tergantu ng p ada  kon d isi  masu ka n saa t  ini, sehin g g a  tidak m a m pu  kala u ad a pe ruba han  pola  data ma su kan. Kelema h an terse but  mendo ro ng d i kemb ang ka n n ya  menjadi  RNN (Gambar  1).  RNN ad alah NN dengan fasilitas  um pan bali k   m e nuju neuron  i t u   sen d iri  maup un n euron y ang l a in, seh i ngga  aliran i n forma s i  dari  masukan  m e mpunyai  arah   jamak ( m u ltidirectional ). K e luaran  RNN tidak h anya  terg antun g pada ma su kan saat itu saja,  tetapi juga tergantun g pad a kondi si ma su kan NN  unt uk wa ktu lam pau. Kondi si ini dimaksu d kan  untuk m ena mpung  kej a d i an lamp au d iikutkan p ada  pro s e s  kom putasi.  Hal i n i pentin g un tuk  probl emati k a  yang cu kup  rumit, dan tangg apan  ke l uara n  NN b e rkaitan de n gan varia s i  wa ktu  ( time-v ary i ng ), sehingg a NN me miliki  kepe kaa n  terha dap  wa ktu den gan  memori  kon d isi     lampau [5].       Gamba r  1. Struktu r  jari nga n  syaraf tiru a n  berul ang  (RNN)       Model  RNNPSS yang di pasang  pa ral l el  anta r a  RN N- identifier  dan  RN N–C ontroller   adala h  se pert i  terlihat pada  Gamba r  2.    2.1. RNN  Iden tifier  ( RNN - i )  Skema d a ri RNN  Identifier  mengg una ka n model  forward , yang dip a sa ng pa ralel  denga n     sistem  dap at dilihat pad a  Gamba r  2,  dan st ru kturn y a ditunjukka n pada  Gam bar 3.  RNN-i  ini  me mb ac a kelu a r an  da r i   plant   ) ( t  dan   beru s a ha  un tuk m eniru  bentu k  g e lo mbang  da ri  kelu ara n  p l ant  denga n cara memb andi ngkan  kelu aran  pla n t  den gan o u tput RNN-i. Ji ka te rjadi  perb eda an g a lat,  ma ka sinyal galat terse but diki rim  ke RNN  -i untu k  dilaku ka n  p r o s es  pembel ajaran  untuk mem perke cil galat . RNN -i ini  mempu n yai dua ma su ka n, yaitu   dan  u .   adala h   kelu aran  pla n t  da n  u  adalah kel uaran PSS. Sebagai  masukan awal  RNN-i  menggunakan keluaran  dari PSS konvensional unt uk proses pelatihan.  Secara  matemat i s  dapat dituli s sebag aiman a  persam aan (1).       ] , [ ) ( u w t Xi    (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930    ■     Stabilisato r  Sistem  Tenaga  Berba s i s  Ja ri ngan Sy araf Tirua n  Berul a ng …… (Widi  Aribowo)  67 diambil dari  nilai kecepat an  me sin   si n k ro n  ya n g  te rakhir yang  dise nsor  den gan i n terval  wa ktu ko nsta n 200 ms .       u u     Gambar 2. M odel RNNPSS        )] 3 ( ), ( ), ( [ T t w T t w t w w  (2)     u diambil dari tiga aks i  kendali terakhir  yang telah dilakuk a n (s imulas i K-PSS).      )] 3 ( ), 2 ( ), ( [ T t u T t u T t u u  (3)     T adalah  sa mpling pe riod e,   adalah de viasi ke ce pat an ang uler te rhad ap kece patan si nkron   dalam rad/s.  u  adala h  outp u t dari  co ntrol l er .           Gambar 3. Struk t ur RNN-i [6]  Evaluation Warning : The document was created with Spire.PDF for Python.
                                 ISSN: 16 93-6 930     TELKOM NIKA   Vol. 8, No. 1,  April 2010 :  65 - 72   68 Keluaran fungsi ag re gat   (output ag greg ation fu nction )  adal ah dihitung  dengan   persam aan (4 )  dan  (5) .      ) ( ) ( ) ( ) ( )) ( ( ) ( t Pi t Pi t Pi t Pi j j j j j j e e e e t Pi f t Oi  (4)       j i ji i j i ji j j Wi Oi bi Wi Ii t Pi 1 1 1 ) (  (5)     Keluaran pa d a  bagia n  RNN-i, adal ah di hitung de nga n persam aan  (6)      2 1 ) ( ) ( bi Wi t Oi t Pi k i kj j k  (6)       ) ( ) ( t P t O k k   (7)     Keluaran RNN  Identifier  ini ke mudi an dib andi n g ka n de nga n kel uaran  plant , se hin gga  didap atka n g a lat Gal a t an tara  siste m  d an  kelu ara n  RNN  i dentifie r  pa da  unit t unda  dig una kan  seb agai  trai ning   RNN i dentifier.  Ga lat kuad rat  seb andi ng d enga n  pe rfo r m ance   index   seb agaim ana  persama an (8)      n k k k i t Oi t wi t E 1 2 )) ( ) ( ( 2 1 ) (  (8)     Bobot  W ji  d an  W kj   dapat di atur de ngan  mengg una ka n  steep est de scent   algo rith m   sebagaim a na  persam aan (9).       ) ( W ) ( ) ( W ) ( W ) ( W ) 1 ( W ji ji ji ji ji t t Ei t t t t I  (9)       ) ( W ) ( ) ( W ) ( W ) ( W ) 1 ( W kj kj kj kj kj t t Ei t t t t I  (10 )     Den gan  I adal ah  le ar n i ng  ra te  dar i  RNN- I,  gradi ent e rro r   E(t)  da ri  weig ht   W ji  da n  wei ght   W kj   adala h  se bag ai beri k ut:      ) ( )) ( ) ( ( ) ( W ) ( kj t Oi t Oi t wi t t Ei j k k  (11 )       )] 1 ( ) ) ( 1 )( ( ) ( ) ( [ ) ( W ) ( 2 ji t Oi t Oi t Wi t Oi t wi t t Ei j j kj k k  (12 )       2.2. RNN- Con t rol l er  (R NN -c )   Struktu r  RNN-c ditunj ukkan pad a Ga mbar 3.  Se cara mate mati s, lapis i nput  RNN-c   dapat di hitun g  sebag aima na pe rsama a n  (1 3)  dan  (1 4), seda ng ka n lapi s  kelu aran da pat di hitung   deng an pe rsa m aan (15).   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930    ■     Stabilisato r  Sistem  Tenaga  Berba s i s  Ja ri ngan Sy araf Tirua n  Berul a ng …… (Widi  Aribowo)  69   Mc i i r ji Mc j t T t Vc t t 1 1 j 1 j ,... 1 ), 1 ( ) ( ) ( S ) ( S  (13 )   dan     Mc j e e e e t f t t t t t ,... 1 )) ( S ( ) ( T ) ( S - ) ( S ) ( -S ) ( S 1 j 1 j 1 j 1 j 1 j 1 j  (14 )       ) ( ) ( ) ( ) ( 1 1 2 t T t Vc t S t u j Mc j o j  (15 )     deng an  ) ( t Wc adal ah matri k s b obot  ne ural controlle r  pa da   time ins t ant  t dan  ) ( t u  adal ah de - norm a lisasi u n tuk men dap atkan a k si co ntrol actu al d an kem udia n  dikiri m ke  pl a n t  dan RNN-i.        Gambar 4. Struk t ur RNN-c  [6]      Indeks pe rformansi   da ri  ne uro c ont rolle r  adala h  dihitu ng den gan p e r sa maa n  (16 ) .      n k k k c t x t r t E 1 2 )) ( ) ( ( 2 1 ) (  (16 )     deng an  ) ( t x k adal ah kelu ara n  plant  d an  ) ( t r k  a dalah  refe re n s i yan g  di ngi nka n , seda n g ka n   bobot   da ri pe mutakhi r a n  RNN  controlle r  adala h  dihitu ng den gan p e r sa maa n  (17 ) .    ) ( Vc ) ( ) ( Vc ) ( Vc ) ( Vc ) 1 ( Vc ji ji ji ji ji t t Ec t t t t I      ( 1 7 )     deng an  c  adalah laju pem b e lajaran untu k   R NN contr o ller       3. SIMULASI  D AN  AN ALISIS  Gene rato r di model kan  da lam bentu k   model  Philips Heffron , d an dap at dili hat pada  Gamba r  5.   Evaluation Warning : The document was created with Spire.PDF for Python.
                                 ISSN: 16 93-6 930     TELKOM NIKA   Vol. 8, No. 1,  April 2010 :  65 - 72   70     Gamba r  5. Di agra m  Blok Dinamika Singl e Mesin [1].          Data p e latiha n untu k  me redam o s ila si  ke cep a tan a dalah d a ta keluaran  pl ant   beru pa  ke cep a tan  de ngan  varia s i   gang guan  a n t ara  0.1-1,0  p u . Fun g si  a k tifasi yan g   dig una kan  ad ala h   tansig , dan  purelin . Jumla h  neuron yan g  diguna ka n adala h  5. Fungsi pel atiha n  yang ditera pka n   adala h   trai nl m . Struktur j a ring an ya ng  digun akan  p ada p e lati han  ini a dal ah terd iri dari  tiga  la p i s   (layer), yaitu lapis ma su kan,  lapis te rsembunyi da n  lapis  kelua r an Setelah d ilaku ka n pro s es  pemetaan, maka la ngkah selanjutnya  adalah m e masang RNNPSS di si stem. Pada penelitian  ini  pembe ban an  diasum sikan  seb e sar: P = 1.0 pu; Vt =1.0 pu; Pf=0.8 5 pu, P = 0.5  pu; Vt=1.0  p u ;  Pf=0.85 p u ,  dan P = 0.1  p u ; Vt=1.0 p u ;  Pf=0.85  p u .   Gang gua n seb e sar 0.1 p.u  diinje ksikan   ked a lam  p l ant , dan diperol eh kel uaran kece patan u n tuk  pla n t  s e per t i G a mb ar  6 .           Gamba r  6. Grafik kcep atan  mesin tung g a l  kon d isi P=1.0 pu; Vt=1.0 pu; Pf=0.85  pu.      Dari Gambar 6, RNNPSS dapat menurunk a n  o v e r shoot  ke cep a tan  me njadi  0,0049   p.u d a ri  kondisi  semula yaitu 0,016 p.u  dan lebih  baik dari  konvension al PSS yang  hanya m a mpu   menu run k a n  seb e sar 0.00 6 p.u.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930    ■     Stabilisato r  Sistem  Tenaga  Berba s i s  Ja ri ngan Sy araf Tirua n  Berul a ng …… (Widi  Aribowo)  71     Gamba r  7. Grafik ke ce pata n  mesin tun g gal  ko ndi si P=0.5 pu; Vt=1 .0 pu; Pf=0.85 pu.          Gamba r  8. Grafik ke ce pata n  mesin tun g gal  ko ndi si P=0.1 pu; Vt=1 .0 pu; Pf=0.85 pu.      Dari  Gam bar 7, RNNPSS  dapat m enu runkan  ov er sho o t  ke ce pata n  menja d i 0, 006 p.u  dari  kondi si  semula yaitu 0,018 p.u dan  lebih  bai k dari konvensional  PSS yang  hanya  mampu  menurunkan sebesar 0.0075 p.u. Dari  Gambar 8, RNNPSS dapat menurunkan  oversh oot   ke cep a tan  menjadi 0,0 15 p.u da ri  kondi si se mula yaitu 0,024 p.u d an lebih b a i k  da ri  konvensi onal  PSS yang hanya mampu  menu runkan sebesar 0.016 p.u.       4. SIMPU L AN  RNNPSS mampu mem p erbai ki performansi  si stem generator di tempat RNNPSS    dipa san g . Keberh a sil an d a ri de sai n  st ablisator   sist em tenag a ja ringa n sya r af  tiruan  berul ang   (RNNPSS) ini  sangat bergantung data dan  proses pem belajaran yang benar.      DAF TA R PU STAK A   [1].    Xu D, and  He R.  A NN B a sed  Multiple  Powe r Syste m   Stabilizers  Adaptive  an d  Coo r di nate s   Control . PowerCon 20 02. Internatio nal  Confe r en ce P r oceedi ng. 20 02; 1: 361-3 6 4 .  [2].    Rog e rs GY.  The ap plication of Power  System Stabilizers to a  M u ltigene rato r  Plant.  I E EE  Tran s.  P o we r  S yst . 2000; 1 5 (1 ): 350– 35 5.   Evaluation Warning : The document was created with Spire.PDF for Python.
                                 ISSN: 16 93-6 930     TELKOM NIKA   Vol. 8, No. 1,  April 2010 :  65 - 72   72 [3].    Chen CJ,  Chen T C . Desi gn of a P o wer Syst em Stabilizer using a  New  Recurrent Net w ork.  Internation a l Jou r nal of In novative  Co m puting, Info rm ation and Control . 200 7; 3(4): 90 7- 918.    [4].    You  R, Eghbali HJ,  Nehrir M. An  Online Ad aptive Neuro-Fuzzy P o we r System  Stabilizer for  Multi-machine Systems.  IEEE Transaction on Power Sy s t ems . 20 03; 18(1 ) : 12 8-13 5.  [5].    Chatu r vedi DK and Malik OP. Neural  Ne two r k  Co ntrolle r for Powe r System  Stabilizer.  Jou r nal of the  Institution of Enginee rs . 2004; 85(1): 1 38-1 45.   [6].    Lin CH. Ada p tive Recurrent Fuzzy Neural   Network Co ntrol for Synchro nou s Rel u cta n ce  Motor Serv o  Driv e.  IEE Proc . Power Applic ations . 20 04; 151(6): 7 11-7 24.         Evaluation Warning : The document was created with Spire.PDF for Python.