Seiring meningkatnya kebutuhan energi listrik, tantangan untuk menjaga kestabilan tegangan dan efisiensi distribusi tenaga menjadi semakin kompleks. Di Indonesia dan banyak negara berkembang lainnya, sistem distribusi tenaga listrik sering mengalami rugi daya (power losses) dan penurunan tegangan yang tidak sesuai standar. Salah satu perangkat penting yang digunakan untuk mengatur tegangan adalah On-Load Tap Changer (OLTC) pada transformator. Namun, pengaturan manual OLTC terbukti tidak efisien dan memakan waktu, apalagi dalam menghadapi fluktuasi beban dan integrasi energi terbarukan seperti panel surya dan turbin angin.
Dalam menghadapi masalah ini, tim peneliti dari Institut Teknologi Sepuluh Nopember (ITS) dan 51¶¯Âþ mengembangkan solusi cerdas berbasis kecerdasan buatan (AI), yaitu metode Quantum Binary Particle Swarm Optimization (QBPSO). Pendekatan ini menggabungkan konsep optimasi partikel dan prinsip kuantum untuk mencari konfigurasi terbaik dari pengaturan OLTC secara otomatis, cepat, dan efisien.
Penelitian ini dilakukan pada sistem distribusi radial 34-bus dengan tegangan 20 kV. Sistem ini mewakili kondisi nyata dari jaringan distribusi listrik perkotaan atau kawasan industri. Terdapat lima transformator dengan OLTC yang dioptimalkan agar mampu menyesuaikan tegangan secara otomatis ketika terjadi perubahan beban.
Metode yang digunakan adalah Quantum Binary Particle Swarm Optimization (QBPSO), yang dikembangkan dari algoritma Particle Swarm Optimization (PSO). Setiap “partikel” dalam algoritma ini mewakili satu konfigurasi tap OLTC, dan mereka “bergerak” dalam ruang solusi untuk mencari kombinasi terbaik. Dalam QBPSO, nilai biner digunakan untuk menyatakan posisi partikel, dan mekanisme kuantum seperti superposisi dan entanglement digunakan untuk memperluas ruang pencarian dan menghindari jebakan solusi lokal.
Analisis aliran daya dilakukan dengan metode BIBC-BCBV, yang dirancang khusus untuk sistem distribusi radial. Fokus utama pengukuran performa adalah Voltage Stability Index (VSI), total rugi daya aktif (kW), dan tegangan rata-rata di seluruh bus.
Sebelum optimasi dilakukan, sistem menunjukkan beberapa kelemahan mendasar:
- Rugi daya aktif sebesar 21,756 kW.
- Tegangan rata-rata hanya 19,0047 kV, dengan tegangan terendah 18,054 kV (jauh di bawah standar 20 kV).
- Banyak bus yang mengalami under-voltage(> ±5% deviasi dari nominal).
Setelah diterapkan QBPSO, hasil menunjukkan peningkatan signifikan:
- Rugi daya menurun menjadi 19,157 kW.
- Tegangan rata-rata meningkat menjadi 19,9453 kV, dan tegangan terendah kini 19,099 kV ” berada dalam batas toleransi.
- Nilai Voltage Stability Index menurun dari 0.2257 menjadi 0.2069, menandakan peningkatan stabilitas sistem.
- Waktu komputasi jauh lebih singkat dibanding algoritma lain: hanya 3,86 detik, lebih cepat dari Genetic Algorithm, PSO biasa, dan Quantum Differential Evolution.
Secara visual, grafik profil tegangan menunjukkan bahwa seluruh bus kini berada dalam rentang tegangan aman. Artinya, sistem distribusi menjadi lebih handal dan efisien setelah optimasi dengan QBPSO.
Penelitian ini membuktikan bahwa pendekatan Quantum Binary Particle Swarm Optimization (QBPSO) sangat efektif dalam mengoptimalkan pengaturan OLTC pada sistem distribusi tenaga listrik. Dibandingkan metode konvensional, QBPSO berhasil mengurangi rugi daya, meningkatkan tegangan rata-rata, menghilangkan under-voltage, serta mempercepat waktu komputasi. Hal ini menjadikannya solusi cerdas yang layak diterapkan untuk sistem kelistrikan skala besar maupun kecil.
Selain keuntungan teknis, kontribusi metode ini terhadap keberlanjutan juga signifikan. Dengan mendukung pencapaian beberapa poin SDGs, pendekatan QBPSO mencerminkan sinergi antara inovasi teknologi dan tujuan pembangunan global.
Untuk pengembangan selanjutnya, penelitian ini sebaiknya tidak berhenti pada simulasi atau studi kasus sistem IEEE saja, tetapi dilanjutkan dengan implementasi langsung di lapangan, misalnya pada jaringan distribusi PLN yang nyata. Uji coba secara langsung akan memberikan gambaran lebih akurat mengenai keandalan dan efisiensi metode QBPSO dalam kondisi sistem yang dinamis dan kompleks. Selain itu, integrasi QBPSO dengan sistem energi terbarukan seperti panel surya dan turbin angin juga sangat direkomendasikan.
Hal ini akan memperkuat kemampuan algoritma dalam menangani variabilitas daya dan memperluas manfaatnya untuk sistem kelistrikan masa depan. Penelitian lanjutan juga dapat mengembangkan versi lanjutan dari QBPSO yang kompatibel dengan sistem distribusi tidak radial (meshed network), sehingga cakupan penerapannya menjadi lebih luas. Terakhir, mengintegrasikan QBPSO ke dalam sistem kendali otomatis berbasis Internet of Things (IoT) dan smart grid akan menjadi langkah strategis untuk menciptakan sistem distribusi energi yang cerdas, efisien, dan berkelanjutan di era digital ini.
Penulis: Aji Akbar Firdaus
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.scopus.com/inward/record.uri?eid=2-s2.0-105002667757&doi=10.48084%2fetasr.9715&partnerID=40&md5=e5f8c1a09714a3412d9b9bf9f73dc010
Firdaus A.A., Soeprijanto A., Priyadi A., Putra D.F.U.: Control Strategy of OLTC using Quantum Binary Particle Swarm Optimization to Improve the Voltage Stability Index. Engineering, Technology and Applied Science Research, Volume 15, Issue 2, Pages 21518 -21525, 2025
