Optimisasi Penempatan dan Alokasi Kapasitas Electric Vehicle Charging Station pada Jaringan Distribusi Menggunakan Weighted K-Means dan Particle Swarm Optimization untuk Meminimalkan Rugi-Rugi Daya Berbasis Simulasi
Erwin Yulianto, Ir. Candra Febri Nugraha, S.T., M.Eng.
2026 | Tugas Akhir | D4 TEKNOLOGI REKAYASA ELEKTRO
Peningkatan penggunaan kendaraan listrik Electric Vehicle
(EV) di Indonesia mendorong kebutuhan infrastruktur pengisian daya yang
memadai, khususnya Stasiun Pengisian Kendaraan Listrik Umum (SPKLU) atau Electric
Vehicle Charging Station (EVCS). Integrasi
EVCS ke dalam sistem distribusi tenaga listrik berpotensi meningkatkan
rugi-rugi daya, menurunkan profil tegangan, serta meningkatkan pembebanan
saluran dan transformator apabila penempatan dan kapasitasnya tidak
direncanakan secara optimal. Oleh karena itu, penelitian ini bertujuan
menentukan lokasi dan alokasi kapasitas EVCS yang optimal pada sistem
distribusi dengan memenuhi batas operasional jaringan. Metode yang
digunakan adalah kombinasi Weighted K-Means dan Particle Swarm Optimization
(PSO). Weighted K-Means digunakan untuk
mengidentifikasi kandidat lokasi EVCS berdasarkan karakteristik dan pembobotan
lokasi, sedangkan PSO digunakan untuk menentukan alokasi kapasitas EVCS dengan
fungsi objektif meminimalkan rugi-rugi daya serta mempertimbangkan batas tegangan
bus, pembebanan saluran, dan pembebanan transformator. Pengujian dilakukan pada sistem distribusi IEEE 33
Bus yang dimodifikasi menggunakan DIgSILENT PowerFactory dengan skenario
penetrasi EV sebesar 5%, 10%, dan 15% terhadap total beban sistem 3,715 MW dan
rugi-rugi daya 0,139 MW. Hasil penelitian menunjukkan metode Weighted K-Means
mengidentifikasi delapan kandidat lokasi potensial EVCS, yaitu pada bus BB28,
BB17, BB2, BB15, BB21, BB5, BB27, dan BB22. Selanjutnya, PSO berhasil
mengalokasikan kapasitas EVCS 0,186-0,557 MW dengan rugi-rugi daya sistem
0,1465-0,1681 MW. Seluruh parameter operasi sistem memenuhi batas yang
diizinkan. Pengujian robustness menghasilkan standar deviasi 0,000915 MW dan CV
0,581%, menunjukkan PSO mampu menghasilkan solusi yang stabil dan konsisten.
Hasil penelitian menunjukkan kombinasi Weighted K-Means dan PSO dapat digunakan
untuk menentukan lokasi dan alokasi kapasitas EVCS pada sistem distribusi.
The increasing adoption of Electric Vehicles (EVs) in
Indonesia has driven the demand for adequate charging infrastructure,
particularly Electric Vehicle Charging Stations (EVCSs). The integration of
EVCSs into distribution power systems may increase power losses, degrade
voltage profiles, and increase line and transformer loading if their placement
and capacities are not properly planned. Therefore, this study aims to
determine the optimal locations and capacity allocation of EVCSs while
satisfying network operating constraints. The proposed method combines Weighted
K-Means and Particle Swarm Optimization (PSO). Weighted K-Means identifies
candidate EVCS locations based on location characteristics and weighting
factors, whereas PSO determines EVCS capacity allocation by minimizing power
losses while considering bus voltage, line loading, and transformer loading
constraints. The method is evaluated on a modified IEEE 33-bus distribution
system using DIgSILENT PowerFactory under EV penetration levels of 5%, 10%, and
15% of the total system load of 3.715 MW with an initial power loss of 0.139
MW. The results show that Weighted K-Means identifies eight potential EVCS
locations at buses BB28, BB17, BB2, BB15, BB21, BB5, BB27, and BB22. PSO
allocates EVCS capacities ranging from 0.186 to 0.557 MW, resulting in system
power losses of 0.1465–0.1681 MW. All operating parameters remain within
allowable limits. The robustness evaluation yields a standard deviation of
0.000915 MW and a coefficient of variation of 0.581%, indicating that PSO
produces stable and consistent solutions. These results demonstrate that the
proposed method effectively determines EVCS locations and capacity allocation
in distribution systems.
Kata Kunci : Stasiun Pengisian Kendaraan Listrik Umum (SPKLU), Weighted K-Means, Particle Swarm Optimization (PSO), Rugi-Rugi Daya, Sistem Distribusi