15

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan dibahas mengenai perancangan pemodelan sistem, yaitu

membuat simulasi rangkaian menggunakan program MATLAB Simulink.

Perancangan simulasi meliputi motor induksi tiga fasa rotor sangkar, multilevel

inverter, 9 Level Cascaded H-Bridge Multilevel Inverter, Alternate Phase

Opposition Disposition PWM (APOD PWM), Field Oriented Control,

Proportional Integral Derivative (PID) dan Genetika Algoritm (GA).

3.1 Prinsip Kerja Blok Diagram

Pada Gambar 3.1 merupakan rancangan keseluruhan pada blok diagram dari

sistem.

Speed Referensi

Iabc Actual

Control PIDVector Control

APOD PWM

Sumber DC

Speed Actual

9-level Cacaded H-Bridge Multilevel

InverterM

Genetika Algoritma

Gambar 3.1 Diagram Blok Sistem

Pada Gambar 3.1 9 level multilevel inverter menggunakan sumber DC

sebagai tegangan inputnya. Tegangan DC kemudian di ubah menjadi tegangan AC

dengan frekuensi yang diinginkan untuk menjalankan motor induksi. Kecepatan

actual hasil dari motor induksi akan diumpanbalikkan ke kontrol PID dan akan

dibandingkan dengan kecepatan referensi. Pada blok kontrol PID digunakan

metode Algoritma Genetika (GA), yang nantinya digunakan sebagai penentuan

untuk set pada nilai Kp, Ki, dan Kd. Sehingga nilai kecepatan akhir dari

16

perbandingan antara kecepatan aktual dan kecepatan referensi sesuai dengan apa

yang diinginkan. Sedangkan arus Iabc actual dari motor juga akan

diumpanbalikkan ke blok vector control. Sehingga dari blok vector control akan

dihasilkan arus Iabc referensi. Arus referensi dari vector control akan masuk ke

dalam blok Alternate Phase Opposition Disposition Pulse Widh Modulation

(APOD PWM). Di blok APOD PWM ini arus referensi akan dimodulasikan dengan

8 sinyal segitiga yang berada pada sudut fasa yang berbeda dengan frekuensi tinggi.

Sehingga dari blok APOD PWM ini akan dihasilkan sinyal pulsa. Sinyal pulsa ini

akan digunakan untuk pengaturan switching pada kaki IGBT pada 9 level Cascaded

H-Bridge multilevel inverter.

3.2 Perancangan Pemodelan Simulasi

3.2.1 Pemodelan Motor Induksi Tiga Fasa

Jenis motor yang digunakan pada penelitian ini merupakan motor rotor

sangkar tupai atau squirrel cage. Model motor ini telah disediakan dalam

SimPowerSystemTM libraray. Model dan parameter motor squirrel cage

sebagaimana ditunjukkan pada Tabel 3.1 dan model motor ditunjukkan pada

Gambar 3.2 di bawah ini. Pengaturan Configurasi dan nilai parameter motor pada

simulasi matlab ditunjukkan pada Gambar 3.3 dan Gambar 3.4.

Tabel 3.1 Parameter Motor Induksi Tiga Fasa

Nominal Power 20 HP

Line to line voltage 460 V

Kecepatan 1760 RPM

Frequency 60 Hz

Stator resistance 0.2761 Ohm

Stator inductance 0.002191 Henry

Rotor resistance 0.1645 Ohm

Rotor inductance 0.002191 Henry

Mutual inductance 0.07614 Henry

17

Inertia 0.1 kg/m2

Friction factor 0.01771 N.m.s

Pole pairs 2

Gambar 3.2 Model Motor Induksi Tiga Fasa

(Sumber : MATLAB simulink)

Gambar 3.3 Configuration Motor Induksi

(Sumber : MATLAB Simulink)

18

Gambar 3.4 Parameter Motor Induksi Tiga Fasa

(Sumber : MATLAB Simulink)

3.2.2 Pemodelan 9 Level Cascaded H-Bridge Multilevel Inverter

Multilevel inverter merupakan komponen elektronika daya yang

mempunyai fungsi yang sama dengan inverter konvensional yaitu mengonversikan

tegangan DC menjadi tegangan AC. Perbedaan yang mendasar pada multilevel

inverter mempunyai sumber DC secara terpisah yang kemudian akan dirubah

menjadi tegangan AC. Insulated Gate Bipolar Transistor (IGBT) merupakan

komponen yang bertugas sebagai pensaklaran secara bergantian pada multilevel

inverter. IGBT yang digunakan memiliki nilai snubber resistance (Rs) = 1e-3 Ohm,

snubber capacitance (Cs) = inf, internal resistance (Ron) = 1e-5 Ohm. Sehingga

sumber DC akan menghasilkan pola sesuai waktu nyala dan waktu mati ketika

komponen switching tersebut di trigger dan terbentuk pola gelombang sinusoidal.

Total nilai sumber DC yang digunakan sebesar 265 Volt sesuai perhitungan (3-28).

Gambar 3.5 dan Gambar 3.6 merupakan pemodelan 9- Level cascaded h-

bridge multilevel inverter dan sumber yang dipakai pada tiap levelnya. IGBT yang

dipakai dan nilainya ditunjukkan pada Gambar 3.7 dan Gambar 3.8

19

Gambar 3.5 Rangkaian 9 Level Cascaded H-bridge Multilevel Inverter

Gambar 3.6 Parameter Blok Sumber DC

20

Gambar 3.7 Insulated Gate Bipolar Transistor (IGBT)

(Sumber : MATLAB Simulink)

Gambar 3.8 Blok Parameter IGBT Default MATLAB

3.2.3 Pemodelan Vector Control

Pada vector control ini terdapat beberapa blok kontrol diantaranya adalah

id* calculation, iq* calculation, teta calculation, flux calculation, ABC to dq

conversion dan dq to ABC conversion.

3.2.3.1 Current Calculation Diagram

Blok current calculation diagram terdiri dari 2 bagian yaitu : Current Id*

calculation dan current Iq* calculation. Tanda * menunjukkan bahwa arus

21

diharapkan (desire). Current Id* berfungsi untuk menghasilkan arus Id* yaitu

komponen arus d-axis referensi pada stator, dengan input flux rotor referensi

(phir*). Sedangkan current Iq* berfungsi menghasilkan arus Iq* yaitu komponen

arus q-axis sebagai control torque motor, bergantung pada Phir* dan Te*. Te*

diperoleh dari blok speed controller dengan masukan 𝜔𝑟𝑒𝑓 = 100 dan controller

PID dengan penerapan metode algoritma genetika. Sedangkan nilai Phir*

umumnya mendekati 1 tergantung pada slip motor induksi, ditentukan sebesar 0.98.

Berikut perhitungan untuk mentukan current Iq* serta dengan tampilan blok

diagramnya.

𝐼𝑞 = ( 2

3) ∗ (

2

𝑃) ∗ (

𝐿𝑟

𝐿𝑚) ∗ (

𝑇𝑒

𝑃ℎ𝑖𝑟) (3-1)

Dengan :

𝐿𝑚 = 76.14 𝑚𝐻

𝐿𝑟 = 𝐿𝑙′𝑟 + 𝐿𝑚 = 2.191 + 76.14 = 78.331 𝑚𝐻 (3-2)

𝑃 = 𝑛𝑏 𝑜𝑓 𝑝𝑜𝑙𝑒𝑠 = 4

Maka :

𝐼𝑞 = 0.3429 ∗ (𝑇𝑒

𝑃ℎ𝑖𝑟)

Gambar 3.9 Iq* Calculation Diagram

Sedangkan perhitungan untuk menentukan current Id* dan tampilan blok

diagramnya seperti berikut.

𝐼𝑑∗ =𝑃ℎ𝑖𝑟

𝐿𝑚 (3-3)

Dengan : 𝐿𝑚 = 76.14 𝑚𝐻

Gambar 3.10 Id* Calculation Diagram

22

3.2.3.2 Teta Calculation

Teta calculation berfungsi menghasilkan nilai teta yaitu menemukan phase

angle dari flux rotor. Dengan input fluks rotor (phir), kecepatan motor aktual (𝜔𝑚),

dan arus Iq dari hasil keluaran ABC to dq conversion. Berikut perhitungan dan blok

diagram teta calculation.

Teta = Electrical angle = integ ( wr + wm) (3-4)

Wr = rotor frequency (rad/s) = 𝐿𝑚 ∗ 𝐼𝑞/(𝑇𝑟 ∗ 𝑃ℎ𝑖𝑟)

Wm = rotor mechanical speed (rad/s)

Dengan :

𝐿𝑚 = 76.14 𝑚𝐻 (3-5)

𝐿𝑟 = 𝐿𝑙′𝑟 + 𝐿𝑚 = 2.191 + 76.14 = 78.331 𝑚𝐻

𝑅𝑟 = 0.1645 𝑂ℎ𝑚

𝑇𝑟 =𝐿𝑟

𝑅𝑟= 0.4762 𝑠

Gambar 3.11 Rangkaian Teta Calculation

3.2.3.3 Flux Calculation

Flux calculation berfungsi untuk menghasilkan flux rotor (phir), dengan

input arus Id dari hasil keluaran ABC to dq conversion. Kemudian hasil dari bagian

ini adalah phir yang terukur dan di pakai untuk menghitung Iq setiap saat. Discrete

transfer function merupakan bagian yang paling penting dalam blok ini. Transfer

function yang muncul karena perubahan yang terjadi setiap saat adalah orde satu

dengan periode 0.4762 s (dari perhitungan Lr/Rr) dipakai untuk mengintegrasikan

perkalian Id dan Lm menjadi Phir. Berikut hasil perhitungan dan blok diagram teta

calculation.

Phir =𝐿𝑚∗𝐼𝑑

1+𝑇𝑟.𝑠 (3-6)

23

Dengan :

Lm = 76.14 mH (3-7)

Tr = Lr/Rr = 0.4762 s, dengan Rr = 0.1645 Ohm

Lr = LI’r + Lm = 2.191 + 76.14 = 78.331 mH

Gambar 3.12 Rangkaian Flux Calculation

3.2.3.4 Blok Transformasi

Blok ini terdiri dari dua blok utama, yaitu blok ABC to dq dan dq to ABC.

Blok ABC to dq berfungsi merubah arus current Iabc yang terukur di stator motor

induksi, menjadi current Direct-Quadratic. Blok ini membutuhkan pergeseran

sudut antara Direct dan Quadratic Teta calculation dalam fungsi sinus/cosinus.

Sebaliknya yaitu blok dq to ABC merubah current Direct-Quadratic

references menjadi current references Iabc*, yang akan menjadi input pada blok

APOD PWM. Blok dq to ABC juga membutuhkan pergeseran sudut antara direct

dan quadratic Teta calculation dalam fungsi sinus/cosinus. Berikut diagram blok

ABC to dq dan dq to ABC.

Gambar 3.13 ABC to dq conversion

24

Gambar 3.14 dq to ABC Conversion

3.2.3.5 Kontrol PID

Kontroler yang digunakan pada penelitian ini adalah kontroler proportional

integral derivatif (PID). Kontrol PID berfungsi untuk menerima masukan dari

sinyal kesalahan yang berasal dari selisih antara kecepatan referensi dan hasil

kecepatan aktual motor. Dalam kontrol PID terdapat 3 buah parameter yang

digunakan sebagai pengontrolan suatu sistem, pada masing-masing parameter

mempuyai fungsi tersendiri. Tiga buah parameter tersebut meliputi Kp sebagai

penguat, Ki untuk mengurangi kesalahan pada keadaan stabil dan Kd untuk

mempercepat sistem kepada keadaan stabil. Pada penelitian ini, nilai Kp, Ki dan Kd

difokuskan menggunakan penalaan genetic algorithm sebagai metode pencarian

nilai pada sistem. Pemodelan kontroler PID dapat dilihat pada Gambar 3.15 serta

Gambar 3.16 merupakan parameter yang digunakan pada kontroller PID .

Gambar 3.15 Pemodelan Kontroler PID

(Sumber : Simulink MATLAB)

25

Gambar 3.16 Blok Parameter Kontroler PID MATLAB

(Sumber : Simulink MATLAB)

Pada pemodelan kontroler PID terdapat Integral Time Absolute Error atau

disingkat ITAE yang berfungsi menjadi sebuah indeks performansi yang banyak

digunakan dalam perancangan sistem kontrol, karena indeks performansi ini

mempuyai kelebihan, yaitu dapat mengurangi maksimum overshoot dari respon

step sistem. Maka dari itu ITAE digunakan, karena indeks performansi ITAE

menawarkan suatu karakteristik respon sistem transien, di mana respon sistem akan

menghasilkan overshoot yang kecil dan mempunyai redaman yang cukup.

3.2.3.6 Penentuan Parameter Kontroler PID Menggunakan GA

Mengacu pada sub bab 3.2.3.5, terdapat 3 parameter kontrol yang

ditentukan untuk kontroler PID. Oleh karena itu, kromosom x dapat didefinisikan

sebagai x = {Kp, Ki, Kd}. Sebelum melakukan optimasi parameter kontrol, perlu

dilakukan penentuan parameter input berupa parameter genetic algorithm yaitu

jumlah populasi individu (n), jumlah maksimum generasi, inisialisasi populasi dan

26

penentuan parameter output berupa parameter kontroler PID {Kp, Ki, Kd}. Gambar

3.17 merupakan alur diagram sistem dari GA.

Gambar 3.17 Flowchart Genetic Algorithm

Dibawah ini merupakan konfigurasi GA pada MATLAB yang akan

digunakan untuk penentuan nilai dari parameter PID :

Clear clc %Optimasi menggunakan GA tic; global f Kp Kd Ki err err = 1000000; options = gaoptimset('PopInitRange', [0;10],

'PopulationSize',[25], 'Generation',[25], 'SelectionFcn',

{@selectiontournament,3}, 'CrossoverFcn',

{@crossoverscattered},

'MutationFcn',{@mutationuniform,0.1}, 'PlotFcns',

{@gaplotbestf}); [x] = ga(@tuningGA,3,[],[],[],[],[0 0 0],[],[],options); toc;

27

dengan (@tuningGA)

function [f,Kp,Ki,Kd]= tuningGA (x); global Kp Ki Kd err Kp = x(1); Ki = x(2);

Kd = x(3);

sim('power_acdrivetunneddenganGA'); f = e; fprintf('--------------------------------------------\n'); fprintf(' Kp Ki Kd f \n'); fprintf('--------------------------------------------\n'); fprintf('%.4f %.4f %.4f %.7f\n', Kp, Ki, Kd, f);

figure(1); subplot(2,1,1); bar(x); title(sprintf('Kp = %.4f, Ki = %.4f, Kd = %.4f, f = %.7f', Kp,

Ki, Kd, f)); if(f < err) subplot(2,1,2); bar(x); title(sprintf('Kp = %.4f, Ki = %.4f, Kd = %.4f, f = %.7f',

Kp, Ki, Kd, f)); err = f; end

end

Berikut ini merupakan penjelasan penggunaan GA option yang telah dilakukan :

1. InitialPopulation default

InitialPopulation atau membangkitkan populasi awal menggunakan default GA

karena InitialPopulation pada GA bekerja secara random generator agar GA bisa

bekerja lebih efektif oleh karena itu dipilihlah kondisi default.

2. PopInitRange [0;10]

PonInitRange merupakan jarak antara populasi satu dengan lainnya. Penulis

menggunakan pembatasan pembangkitan populasi pada setiap parameter untuk

nilai Kp, Ki, dan nilai Kd digunakan batasan [0;10] sama rata. Hal ini dipengaruhi

besarnya nilai suatu parameter yang dibangkitkan berpengaruh terhadap performa

sistem itu sendiri. Disini digunakan lima jangkauan sebagai perbandingan nilai

terbaik dalam parameter GA.

28

3. PopulationSize [25] dan Generations [25]

PopulationSize (jumlah populasi) dan Generations (jumlah iterasi). Disini

digunakan PopulationSize [25] dan Generations [25] hal ini dikarenakan jumlah

populasi dan generasi sebanyak 25 sudah dapat memberikan solusi terkait

parameter yang ingin dioptimalkan. Hal tersebut juga berdasarkan efisiensi waktu

yang dibutuhkan dalam sekali GA saat melakukan penalaan pada sistem tersebut.

Karena dengan semakin banyak PopulationSize dan Generations yang diberikan

akan semakin lama GA bekerja dan juga tidak efisien terhadap waktu yang

dibutuhkan dalam sekali penalaan.

4. SelectionFcn [@selectiontournament, 3]

SelectionFcn atau fungsi seleksi yang digunakan untuk optimalisasi pencarian

parameter adalah selctiontournament. Penulis menggunakan model seleksi

turnamen dikarenakan seleksi dilakukan dengan mempertahankan nilai tertinggi

dalam setiap pembangkitan populasi, hal ini lebih efisien dari pada seleksi secara

acak. Disini dipertahankan 3 individu teratas untuk diseleksi pada tahap berikutnya.

5. CrossoverFcn [@crossoverscattered]

CrossoverFcn atau penyilangan yang digunakan adalah crossoverscattered karena

merupakan default dari GA itu sendiri. Kelebihan penyilangan menggunakan

metode crossoverscattered adalah banyaknya titik penyilangan tidak bergantung

pada nilai kedua induknya. Penyilangan ini berdasarkan nilai biner yang terbentuk

secara acak dan penggabungan nilai yang terdapat pada kedua induk berdasarkan

nilai biner tersebut.

6. MutationFcn [@mutationuniform, 0.1]

MutationFcn atau fungsi mutasi yang digunakan merupakan metode

mutationuniform dengan probabilitas mutasi sebesar 0.1. Pemilihan fungsi mutasi

seragam dikarenakan pemilihan individu yang akan dimutasi berdasarkan

probabilitasnya pada setiap generasi. Probabilitas mutasi mengendalikan

banyaknya gen baru yang akan dimunculkan untuk dievaluasi.

7. PlotFcns [@gaplotbestf]

PlotFcns merupakan fungsi yang terdapat dalam GA untuk menampilkan hasil yang

telah dilalui dalam setiap iterasinya. Disini ditampilkan gaplotbestf di mana fungsi

29

tersebut berarti menampilkan nilai individu terbaik pada setiap generasi dalam

bentuk grafik.

3.2.4 Pemodelan Alternate Phase Opposition Disposition (APOD)

Metode sin-triangle PWM adalah metode yang sering digunakan sebagai

suatu metode operasi switching inverter. Di mana sinyal fundamental 60 Hz yang

diambil dari spesifikasi motor akan dibandingkan dengan sinyal pembawa yang

berbentuk segitiga dengan frekuensi tinggi. Sehingga didapatkan bentuk sinyal

PWM dengan berbagai variasi lebar.

Skema yang dibutuhkan untuk menghasilkan sinyal segitiga menggunakan

sinyal fundamental 60 Hz sebanyak (m-1). Semua sinyal segitiga berada pada sudut

fasa yang berbeda. Berikut rumus untuk menentukan jumlah sinyal segitiga untuk

multilevel inverter.

𝑆 = 𝑚 − 1 (3-8)

Dengan :

S = Jumlah sinyal segitiga

m= Jumlah level multilevel inverter

Dengan menggunakan persamaan (3-14) maka dapat didapatkan jumlah

sinyal segitiga untuk 9 level cascaded h-bridge multilevel inverter.

S = 9 - 1 (3-9)

S = 8 Sinyal segitiga

Dengan amplitude setiap sinyal segitiga :

𝐴𝑚 = 2

(𝑚−1) (3-10)

𝐴𝑚 = 2

(9−1)

𝐴𝑚 = 0.25

Sehingga amplitude sinyal segitiga-nya adalah sebagai berikut :

𝐴𝑚1 = 0.75 − 1 (3-11)

𝐴𝑚2 = 0.5 − 0.75

𝐴𝑚3 = 0.25 − 0.5

𝐴𝑚4 = 0 − 0.25

𝐴𝑚5 = 0 − (−0.25)

30

𝐴𝑚6 = − 0.25 − (−0.5)

𝐴𝑚7 = −0.5 − (−0.75)

𝐴𝑚8 = −0.75 − (−1)

Pemodelan APOD PWM untuk 9 level cascaded h-bridge multilevel

inverter ditunjukkan pada Gambar 3.18, blok APOD PWM ditunjukkan pada

Gambar 3.19, parameter APOD PWM Gambar 3.20, parameter sinyal segitiga Am1

ditunjukkan Gambar 3.21, parameter sinyal segitiga Am2 Gambar 3.22, parameter

sinyal segitiga Am3 ditunjukkan Gambar 3.23, parameter sinyal segitiga Am4

ditunjukkan Gambar 3.24, parameter sinyal segitiga Am5 ditunjukkan Gambar 3.25,

parameter sinyal segitiga Am6 ditunjukkan Gambar 3.26, parameter sinyal segitiga

Am7 ditunjukkan Gambar 3.27, parameter sinyal segitiga Am8 ditunjukkan Gambar

3.28.

Gambar 3.18 Pemodelan APOD PWM 9 Level Cascaded H-Bridge Multilevel

Inverter

31

Gambar 3.19 Blok APOD PWM

Gambar 3.20 Blok Parameter APOD PWM

32

Gambar 3.21 Parameter Sinyal Segitiga Am1

Gambar 3.22 Parameter Sinyal Segitiga Am2

33

Gambar 3.23 Parameter Sinyal Segitiga Am3

Gambar 3.24 Parameter Sinyal Segitiga Am4

34

Gambar 3.25 Parameter Sinyal Segitiga Am5

Gambar 3.26 Parameter Sinyal Segitiga Am6

35

Gambar 3.27 Parameter Sinyal Segitiga Am7

Gambar 3.28 Parameter Sinyal Segitiga Am8

36

3.2.5 Perhitungan Tegangan pada Inverter

Untuk mendapatkan nilai tegangan keluaran inverter, perlu diketahui nilai

sumber direct current yang diperlukan agar tegangan keluaran inverter sesuai

dengan motor induksi yang digunakan. Sesuai dengan parameter motor induksi tiga

fasa pada tabel 3.1, diketahui :

VLL Motor= 460 V

Maka untuk tegangan satu fasa motor:

VLN= 460𝑉

√3= 265 V (3-12)

Dengan Vdc = Vout jadi nilai Vdc yang digunakan sama dengan nilai tegangan satu

fasa motor induksi.