Kursus Optimasi Penempatan Distributed Generation dengan Hybrid PSO-GWO (Python)
Optimalkan lokasi dan kapasitas distributed generation pada jaringan distribusi radial IEEE 33-bus: aliran daya backward-forward sweep, fungsi objektif rugi daya & profil tegangan, PSO dan Grey Wolf Optimizer dari nol, lalu hybrid PSO-GWO — lengkap dengan perbandingan statistik.
Materi mengikuti seri video Kursus Optimasi Lokasi & Kapasitas Distributed Generation dengan Hybrid PSO-GWO (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- ±65% — Penurunan rugi daya dengan tiga DG optimal
- 202,68 kW — Rugi dasar IEEE 33-bus, cocok dengan literatur
- 20 — Percobaan untuk perbandingan statistik
- 3 algoritma — PSO, GWO, dan hybrid PSO-GWO
Apa yang Dipelajari
- Sistem IEEE 33-Bus: Data saluran, beban, dan diagram satu garis jaringan distribusi radial.
- Aliran Daya BFS: Backward-forward sweep untuk rugi daya dan profil tegangan.
- Fungsi Objektif & Batasan: Rugi daya, batas tegangan, kapasitas DG, dan analisis sensitivitas.
- PSO & Grey Wolf dari Nol: Dua metaheuristik populer ditulis sendiri dan diuji pada fungsi benchmark.
- Hybrid PSO-GWO: Menggabungkan eksplorasi GWO dan kecepatan PSO untuk lokasi & ukuran DG.
- Analisis & Statistik: Profil tegangan sebelum-sesudah dan perbandingan 20 percobaan.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian penempatan distributed generation lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode Python yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja penempatan distributed generation dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik Python pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat .
