Pedoman klasifikasi, estimasi, dan pelaporan cadangan minyak dan
DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN...
Transcript of DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN...
DETEKSI DAN KLASIFIKASI GANGGUAN PADA SALURAN TRANSMISI
BERBASIS TRANSFORMASI WAVELET DAN KLASIFIKASI NAIVE BAYES
FAULT DETECTION AND CLASSIFICATION OF TRANSMISSION LINE
BASED ON WAVELET TRANSFORM AND NAIVE BAYES CLASSIFIER
Muhammad Rajavalens 2209 100 097
Dosen Pembimbing :
1. Dimas Anton Asfani, ST.,MT., PhD.
2. Dr. Eng. I Made Yulistya Negara, ST.,M.Sc.
1
OUTLINE
1. PENDAHULUAN
2. PEMODELAN SALURAN TRANSMISI
3. SIMULASI PADA SALURAN TRANSMISI
4. WAVELET TRANSFORM
5. PENGKLASIFIKASIAN MENGGUNAKAN BAYESIAN CLASSIFIER
2
Batasan Masalah
1. Kondisi awal sistem tiga fasa diasumsikan seimbang.
2. Kondisi saluran transmisi yang akan dianalisis adalah :
• Sistem tanpa gangguan (Normal)
• Gangguan hubung singkat satu fasa ke tanah (a-g)
• Gangguan hubung singkat dua fasa (a-b)
• Gangguan hubung singkat dua fasa ke tanah (a-b-g)
• Gangguan hubung singkat tiga fasa ke tanah (a-b-c-g)
3. Pemodelan saluran transmisi menggunakan data Saluran Udara Tegangan Ekstra Tinggi (SUTET) 500 kV Jawa Madura Bali (Jamali) Ungaran – Surabaya Barat.
4
1. Menghasikan metode dalam mendeteksi dan mengklasifikasikan
jenis gangguan pada saluran transmisi dengan memanfaaatkan
gejala transien gelombang arus saat terjadi gangguan.
2. Menghasilkan metode yang memiliki tingkat akurasi yang tinggi
dalam mendeteksi dan mengklasifikasikan jenis gangguan pada
saluran transmisi dengan berbagai jenis gangguan yang berbeda.
3. Menghasilkan metode yang mampu mendeteksi dan
mengklasifikasikan gangguan dengan resistansi yang tinggi.
Tujuan
5
Pemodelan Saluran Transmisi3
Wilayah Timur Wilayah Barat
Vrms (V) 489.000 467.000
Sudut fasa A (˚) 11,868 6,108
Frekuensi (Hz) 50 50
Koneksi Internal Yg Yg
Short Circuit Level 3 fasa (MVA) 38623,6 18878,8
Base Voltage (Vrms ph-ph) 500.000 500.000
Rasio X/R 28 12
Bus swing swing
Parameter Sumber Tiga Fasa
9
Pemodelan Saluran Transmisi4
Parameter Besaran
Frekuensi (Hz) 50
[r1 r0] (Ohm/km) [0.0293 0.3864]
[l1 l0] (H/km) [0.896x10-3 4.1264 x10-3]
[c1 c0] (F/km) [12.74 x10-9 7.751 x10-9]
lsec (km) 250
Parameter Saluran Transmisi
10
Hubung singkat yang disimulasikan:
1. Jenis gangguan (a-g, a-b, a-b-g, a-b-c-g)
2. Jarak gangguan (0 km – 250 km dengan interval 25 km )
3. Fault Inception Angle ( 0˚- 180˚ dengan interval 20˚)
4. Resistansi Gangguan (0.001, 35, 65, 95, 8000, 9000, 10000,
11000)
Total dilakukan simulasi sebanyak 3520 kondisi hubung singkat
dan 110 kondisi normal.
11
Simulasi Pada Saluran Transmisi2
Menentukan Parameter Gangguan
Simulasi Gangguan
Hubung Singkat
Save Data Sinyal Arus Gangguan
FlowChart
12
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-500
0
500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
Simulasi Pada Saluran Transmisi3
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
Perbedaan bentuk arus pada saat kondisi normal dan
gangguan hubung singkat :
a) Kondisi Normal
b) Gangguan Satu Fasa ke Tanah (a-g)
c) Gangguan Dua Fasa ke Tanah (a-b-g)
d) Gangguan Dua Fasa (a-b)
e) Gangguan Tiga Fasa ke Tanah (a-b-c-g)
(b)
(a)
(c)
(d) (e)
13
Simulasi Pada Saluran Transmisi4
0 0.02 0.04 0.06 0.08 0.1-5000
0
5000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
0 0.02 0.04 0.06 0.08 0.1-3000
-2000
-1000
0
1000
2000
3000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-1500
-1000
-500
0
500
1000
1500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
(a) (b)
(c) (d)
Perbedaan bentuk arus berdasarkan jarak gangguan (a) Jarak 0.0001 km (b) Jarak 100 km (c) Jarak 200 km (d) jarak 250 km
14
Simulasi Pada Saluran Transmisi5
0 0.02 0.04 0.06 0.08 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
0 0.02 0.04 0.06 0.08 0.1-1500
-1000
-500
0
500
1000
1500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Perbedaan bentuk arus berdasar Fault Inception Angle (a) Fault Inception Angel 0o
(b) Fault Inception Angel 60o (c) Fault Inception Angel 120o (d) Fault Inception Angel 180o
(a) (b)
(c) (d)
15
Simulasi Pada Saluran Transmisi6
0 0.02 0.04 0.06 0.08 0.1-4000
-2000
0
2000
4000
6000
8000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Fasa a
Fasa b
Fasa c
0 0.02 0.04 0.06 0.08 0.1-2000
-1000
0
1000
2000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-1500
-1000
-500
0
500
1000
1500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-1000
-500
0
500
1000
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Perbedaan bentuk arus berdasar resistansi gangguan (a) Rf = 0.001 Ω (b) Rf = 35 Ω (c) Rf = 65 Ω (d) Rf = 95 Ω
(a) (b)
(c) (d)
16
Simulasi Pada Saluran Transmisi7
0 0.02 0.04 0.06 0.08 0.1-500
0
500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-500
0
500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-500
0
500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
0 0.02 0.04 0.06 0.08 0.1-500
0
500
Time (Second)
Curr
ent
(Am
pere
)
Arus Send
Perbedaan bentuk arus berdasar resistansi gangguan (e) Rf = 8000 Ω (f) Rf = 9000 Ω
(g) Rf = 10000 Ω (h) Rf = 11000 Ω
(e) (f)
(g) (h)
17
Simulasi Pada Saluran Transmisi8
RfSinyal
Normal (A)
Arus Gangguan
Terendah
Sinyal Gangguan
Tertinggi
(A) Lonjakan (A) Lonjakan
0 450 6240 1286.00% 115400 25544.00%
35 450 1560 246.00% 11070 2360.00%
65 450 1080 140.00% 6200 1278.00%
95 450 900 100.00% 4420 882.00%
8000 450 457 1.56% 507 12.60%
9000 450 457 1.56% 501 11.33%
10000 450 456 1.33% 496 10.22%
11000 450 456 1.33% 492 9.33%
Perbandingan nilai lonjakan arus gangguan
18
Wavelet Transform2
20
Dimana :
Hf = High-pass Filter
Lf = Low-pass Filter
dn = Sinyal detail level ke-n
an = Sinyal aproksimasi level ke-n
Sn = Koefisien hasil penjumlahan 3 cycle sinyal detail
Ʃ3 cycle = Penjumlahan 3 sinyal detail
Sinyal
Hf d1 Ʃ3 cycle S1
Lf a1
a4
Hf d5 Ʃ3 cycle S5
Lf a5
FlowChart
untuk dijadikan fitur dalam Naive Bayesian Classifier.
0 5 10 15 20 25 30-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
Koefisie
n H
igh-F
ilter
Coif5
0 5 10 15 20 25 30-0.2
0
0.2
0.4
0.6
0.8
Koefisie
n L
ow
-Filt
er
0 2 4 6 8 10-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
Koefisie
n H
igh-F
ilter
Db5
0 2 4 6 8 10-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Koefisie
n L
ow
-Filt
er
0 5 10 15 20-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
Koefisie
n H
igh-F
ilter
Db8
0 5 10 15 20-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Koefisie
n L
ow
-Filt
er
Wavelet Transform3
Koefisien Filter
Coiflet-5 Daubechies-5 Daubechies-8
(a1) (b1) (c1)
(a2) (b2) (c2)
21
Wavelet Transform4
0 500 1000 1500 2000 2500-1
0
1
2x 10
5
Fasa a
0 100 200 300 400 500 600-100
-50
0
50
d2
0 200 400 600 800 1000 1200-20
0
20
d1
0 50 100 150 200 250 300-100
0
100
200
d3
0 20 40 60 80 100 120 140-1000
0
1000
d4
0 10 20 30 40 50 60 70 80-5000
0
5000
d5
Detail sinyal hasil dekomposisi 5 level
(d1)(a)
(d3)(d2)
(d5)(d4)
22
Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah :
Wavelet Transform5
𝑆𝑛 = 𝑥(𝑖)
12002𝑛
𝑖=1
Dimana :n : Level dekomposisi sinyali : Bilangan bulatX : Sampel sinyal detail
Perhitungan penjumlahan 3 cycle detail sinyal dekomposisi tiap level :
23
Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah :
Wavelet Transform6
Kondisi Saluran TransmisiKoefesien Wavelet Tiap Fasa
Sa Sb Sc
Normal Kecil Kecil Kecil
Gangguan 1 Fasa ke Tanah Besar Sedang Sedang
Gangguan 2 Fasa Besar Besar Kecil
Gangguan 2 Fasa ke Tanah Besar Besar Sedang
Gangguan 3 Fasa ke Tanah Besar Besar Besar
Pola dasar dari Koefisien S
24
|Sa|−|Sb| (Pengurangan nilai absolut Sa dan Sb)
|Sa|−|Sc| (Pengurangan nilai absolut Sa dan Sc)
|Sb|−|Sc| (Pengurangan nilai absolut Sb dan Sc)
Variasi−variasi tersebut yang nantinya akan dijadikan fitur dalam Bayessian Classifier.
Wavelet Transform7
Variasi yang dibentuk yaitu :1.SumSaSbSc (Penjumlahan Sa, Sb, dan Sc)2.SumSaSb (Penjumlahan Sa dan Sb)3.SumSaSc (Penjumlahan Sa dan Sc)4.SumSbSc (Penjumlahan Sb dan Sc)5.|Sa|-|Sb| (Pengurangan nilai absolut Sa dan Sb)6. |Sa|-|Sc| (Pengurangan nilai absolut Sa dan Sc)7.|Sb|-|Sc| (Pengurangan nilai absolut Sb dan Sc)
25
Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah :
Wavelet Transform8
Algoritma Diagnosa Gangguan
YaTidak
SumSaSbSc = 0
|Sa|-|Sb| = 0|Sa|-|Sc| = 0|Sb|-|Sc| = 0
L-L-L-G Fault
sumSaSb = 0sumSaSc = 0sumSbSc = 0
L-G Fault L-L-G Fault L-L Fault
Ya Tidak Ya Tidak
26
Cj
p(d1|cj) p(dn|cj)p(d2|cj)
Naive Bayes :
Setiap Fitur Bersifat Independen
p(d|cj) = p(d1|cj) * p(d2|cj) * . . . * p(dn|cj)
27
Dimana :
p(d|cj) = Probabilitas data d masuk ke kelas Cj
p(dn|cj) = Probabilitas data dn ada di kelas Cj
Pengambilan Sampel Data
Bayesian Classifier2
Variasi Koefisien S
Data Training
Training
Validasi Akurasi
Data test Testing Akurasi
FlowChart
28
Pengambilan Sampel Data
Bayesian Classifier3
KondisiData Training Data Test
Jumlah data Filter Jumlah data Filter
Normal 99
Db5, Db8, Coif5
(level 1-5)
11
Db5, Db8, Coif5
(level 1-5)
Gangguan 1 Fasa ke Tanah 792 88
Gangguan 2 Fasa 792 88
Gangguan 2 Fasa ke Tanah 792 88
Gangguan 3 Fasa ke Tanah 792 88
Total 3267 15 363 15
Pengambilan Sampel Data
29
Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah :
Bayesian Classifier4
Training Level
Wavelet 1 2 3 4 5
Db5 71.75 86.41 85.22 94.09 97.00
Db8 71.69 92.41 84.96 96.11 96.97
Coif5 57.64 86.23 86.13 93.69 96.48
Training Level
Wavelet 1 2 3 4 5
Db5 98.75 97.49 98.29 98.32 99.78
Db8 98.93 97.46 98.65 98.56 99.36
Coif5 92.29 96.27 98.62 98.75 99.39
Distribusi Normal
Distribusi Kernel
30
Validasi Sampel Data
Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah :
Bayesian Classifier5
Test Level
Wavelet 1 2 3 4 5
Db5 73.55 87.88 83.20 94.21 100
Db8 73.00 93.11 83.20 95.87 100
Coif5 55.10 84.85 87.88 93.66 98.90
Test Level
Wavelet 1 2 3 4 5
Db5 97.25 93.39 99.17 98.35 100
Db8 96.14 98.90 98.90 99.45 100
Coif5 82.09 98.35 98.35 99.17 100
Distribusi Normal
Distribusi Kernel
31
Testing Sampel Data
Positive Predictive Value Distribusi Kernel
Bayesian Classifier6
OUTPUT
Kelas 0 1 2 3 4 Akurasi kelas
I
N
P
U
T
0 99 0 0 0 0 100.00%
1 0 787 5 0 0 99.37%
2 0 0 792 0 0 100.00%
3 0 1 1 790 0 99.75%
4 0 0 0 0 792 100.00%
Positive Predictive Value Filter Db5 Level 5 Distribusi Kernel
32
1. Kondisi yang dapat dideteksi dan diklasifikasikan menggunakan metodeTransformasi Wavelet dan Klasifikasi Naive Bayes adalah kondisi normal dan kondisigangguan hubung singkat dengan resistansi gangguan yang tinggi (High Resistance).
2. Penggunaan estimasi distribusi tipe kernel lebih baik dari tipe normal, karena padatipe kernel mampu mengestimasi Probability Distribution Function (PDF) darikeragaman data dengan lebih mendekati bentuk distribusi data aslinya.
3. Jenis filter yang memiliki nilai akurasi paling tinggi adalah Db5 pada level kelimadengan nilai akurasi 97,09% menggunakan distribusi normal dan 99.78% denganmenggunakan distribusi kernel. Hal ini dikarenakan tipe mother wavelet Db5 level 5mampu mendeteksi kondisi transien arus gangguan dengan resistansi tinggi,menghasilkan koefisien detail sinyal yang lebih besar dan terdistribusi lebih padatdibanding yang lainnya.
33
Daftar Pustaka1. M. Mirzaei, M.Z. A Ab Kadir, E. Moazami, H. Hizam "Review of Fault Location Methods for Distribution Power System". Australian Journal of Basic and Applied Sciences ,
3(3): 2670-2676, 2009 ISSN 1991-8178
2. M. M. Saha, Jan Izykowski ,and Eugeniusz Rosolowski, "Fault Location on Power Networks" Springer. 2010. pp.20-25
3. Daman Suswanto, 2009 “Sistem Distribusi Tenaga Listrik”
4. Turan Gonen, “Electric Power Transmission System Engineering : Analysis and Design” Page : 207
5. Rosa M, Nelson V. “An overview of wavelet transforms application in power systems”. 14th PSCC, Sevilla, 2002, p. 24–28.
6. Liang J, Elangovan S, Devotta JBX. “A wavelet multiresolution analysis approach to fault detection and classification in transmission lines”. Electr Power Energ Sys 1998;20(5):327–32.
7. M. Jayabharata Reddy, D.K. Mohanta “A wavelet-fuzzy combined approach for classification and location of transmission line faults” Electrical Power and Energy Systems29 (2007) 669–678
8. Ferrero A, Sangiovanni S, Zappitelli E. “A fuzzy set approach to faulttype identification in digital relaying”. IEEE Trans Power Delivery 1995;10 (Jan):169–75
9. Omar AS. “Combined fuzzy-logic wavelet-based fault classification technique for power system relaying”. IEEE Trans Power Delivery 2004;19 (2):582–9
10. James S. Walker “A Primer on WAVELETS and Their Scientific Applications” second edition 2008 pp41
11. Dimas Anton A, Adi Soeprijanto, Mauridhi Heri P, “Klasifikasi Gangguan Hubung Singkat pada Saluran Transmisi yang Dikompensasi Seri Menggunakan KombinasiWavelet dan ANFIS”. Seminar Nasional Efisiensi dan Konservasi Energi FISERGI, Semarang, 12 Desember 2005, hal. B158-B165
12. MATLAB, The Mathwork.Inc, 2013
13. Aritz Pérez *, Pedro Larrañaga, Iñaki Inza “Bayesian classifiers based on kernel density estimation: Flexible classifiers” International Journal of Approximate Reasoning 50(2009) 341–362
14. Walter Zucchini, 2003 “APPLIED SMOOTHING TECHNIQUES Part 1: Kernel Density Estimation” pp. 3-9
15. F. V. Lopes, D. Fernandes Jr., W. L. A. Neves, “Fault Location on Transmission Lines Based on Travelling Waves”
16. Chanda D, Kishore NK, Sinha AK. “A wavelet multiresolution analysis for location of faults on transmission lines”. Electr Power Energ Syst 2003;25:59–69.
17. Singh, M., Panigrahi, K.B., Maheshwari, R.P, “Transmission line fault detection and classification” Emerging Trends in Electrical and Computer Technology (ICETECT),2011 International Conference on 23-24 March 2011 , Page(s): 15 – 22
34
-4000 -3000 -2000 -1000 0 1000 2000 3000 40000
0.5
1
1.5
2
2.5
x 10-3
Data
Density
PDF SumSaSbSc untuk Gangguan LG
Db5
Db8
Coif5
LG Data (-200 sampai dengan 200)
1.Db5 = 0.862374
2.Db8 = 0.866162
3.Coif5 = 0.84769737
-0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.40
2
4
6
8
10
12
14
Data
Density
PDF SumSaSbSc untuk Gangguan LL
Db5
Db8
Coif5
LL Data (-0.02 sampai dengan 0.02)
1.Db5 = 0.5
2.Db8 = 0.373737
3.Coif5 = 0.41919238
-5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 40000
0.5
1
1.5
2
2.5x 10
-3
Data
Density
PDF SumSaSbSc untuk Gangguan LLG
Db5
Db8
Coif5
LL Data (-200 sampai dengan 200)
1.Db5 = 0.875
2.Db8 = 0.852273
3.Coif5 = 0.84090939
-3 -2 -1 0 1 2 3
x 10-7
0
1
2
3
4
5
6
x 107
Data
Density
PDF SumSaSbSc untuk Gangguan LLLG
Db5
Db8
Coif5
LL Data (-200 sampai dengan 200)
1.Db5 = 0.968434
2.Db8 = 0.96717
3.Coif5 = 0.9671740
41
-3000 -2000 -1000 0 1000 2000 30000
0.2
0.4
0.6
0.8
1x 10
-3
Data
Density
SumSaSbSc Db5 Normal Distribution
data1
NORMAL DISTRIBUTION
42
-3000 -2000 -1000 0 1000 2000 30000
0.005
0.01
0.015
0.02
Data
Density
SumSaSbSc Db5 Kernel Distribution
KERNEL DISTRIBUTION
43
•p(cj | d) = Probabilitas data d masuk ke kelas cj
•p(d | cj) = Probabilitas data d ada di kelas cj
•p(cj) = Probabilitas muncul kelas cj
•p(d)= Probabilitas muncul data d
p(cj | d ) =p(d |cj) p(cj)
p(d)
BayesClassifiers
50
Jarak Rf SumSaSbSc SumSaSb |Sb|-|Sc|
0 0 1021,1552214641800 1239,1066909597100 0,0003124537760
0 35 1008,4786843567900 1219,8345527079100 0,0003124542510
0 65 937,2056368363340 1130,2383097803300 0,0003124535500
0 95 832,4194315531960 1002,2518583681300 0,0003124518340
0 8000 4,5358087215417 6,2605388135174 0,0003124406156
0 9000 3,9952702311433 5,5266169020378 0,0003124405550
0 10000 3,5693627093085 4,9463681528349 0,0003124405490
0 11000 3,2252163211229 4,4761818164324 0,0003124405958
250 0 14,8025661584101 71,2971771706290 0,0003457822101
250 35 12,8117573296575 73,0789885641573 0,0003457821609
250 65 11,9017915156105 73,9382355250759 0,0003457821747
250 95 11,3780335917971 74,4394740451048 0,0003457823325
250 8000 0,6635214706725 6,2448229715709 0,0003457820997
250 9000 0,5750653026592 5,5293053127616 0,0003457820974
250 10000 0,5070717788626 4,9672223065920 0,0003457822970
250 11000 0,4532862599475 4,5133660342803 0,0003457821384
LG
51
Jarak Rf SumSaSbSc SumSaSb |Sb|-|Sc|
0 0 0,0572256897113 0,0925875459102 3726,1096112686500
0 35 0,0572177463484 0,0925749882799 3142,5362061595900
0 65 0,0572109747410 0,0925642448001 2322,6155866061200
0 95 0,0572041902516 0,0925534966998 1640,8695821528800
0 8000 0,0554526058505 0,0897988377044 2,4523522648042
0 9000 0,0552386188310 0,0894623268720 2,1404780772761
0 10000 0,0550262769977 0,0891284023246 1,8965252993823
0 11000 0,0548155614358 0,0887970345339 1,7006323480093
250 0 0,0041002239757 -0,2246364667800 527,7720210094630
250 35 0,0040996523759 -0,2246049371790 522,6380324672990
250 65 0,0040991625906 -0,2245779187390 517,4128663047790
250 95 0,0040986728958 -0,2245509066730 510,7661788135400
250 8000 0,0039735957083 -0,2176503382256 14,0859545603855
250 9000 0,0039583150025 -0,2168071695087 12,8109048390859
250 10000 0,0039431513286 -0,2159704340725 11,7759072392052
250 11000 0,0039281033927 -0,2151400583919 10,9121533951758
LL
52
Jarak Rf SumSaSbSc SumSaSb |Sb|-|Sc|
0 0 -3790,9664653800300 -4538,1950405629600 5248,0602119971100
0 35 -2572,1676071461300 -3129,4843474220100 4150,0432843169100
0 65 -1495,8571660591200 -1849,1237205243900 2893,9925277753600
0 95 -841,7261415500540 -1067,4359902487200 1948,9593546153200
0 8000 6,8820447727414 6,0870899686945 -0,2830077351256
0 9000 6,1442466488536 5,4412413757223 -0,2018175338955
0 10000 5,5491751598028 4,9191524198460 -0,1456381558436
0 11000 5,0591022554052 4,4884061795846 -0,1055053243227
250 0 -50,9078182318890 -607,4032861331020 275,0946146321890
250 35 -60,4861811904280 -544,1786304774970 311,1513005399650
250 65 -62,7415218529051 -506,1305832958190 327,2054846317630
250 95 -61,8369578564330 -473,5533925930330 335,9428144997210
250 8000 0,5170133180554 -5,5862465911455 10,8886167116380
250 9000 0,4644974300713 -5,0641577905308 9,9266904135369
250 10000 0,4209498079881 -4,6332584199378 9,1502565897121
250 11000 0,3844247312543 -4,2710041782365 8,5037247074429
LLG
53
Jarak Rf SumSaSbSc SumSaSb |Sb|-|Sc|
0 0 -0,0000000002201 -4538,2568192592800 1457,0628572686500
0 35 -0,0000001374397 -2936,4242800192000 1193,3987235487300
0 65 -0,0000001409701 -1595,0768327674600 796,5012224471800
0 95 -0,0000001031751 -872,5666619795390 535,1639841065260
0 8000 -0,0000000003170 3,0525543525457 -2,9607737218073
0 9000 -0,0000000002603 2,7321983226701 -2,6738201704833
0 10000 -0,0000000002454 2,4726819389817 -2,4369049056302
0 11000 -0,0000000002353 2,2581940155520 -2,2381629178501
250 0 0,0000000000470 -753,4027557657160 151,1870615839600
250 35 -0,0000000000110 -732,7663354220100 153,4831955595730
250 65 -0,0000000000080 -711,7961203659820 154,3646068948970
250 95 -0,0000000000140 -686,8368113236610 154,0769322579630
250 8000 0,0000000000091 -8,9940627933331 5,7904058308004
250 9000 0,0000000000014 -8,3708043420297 5,1769153598847
250 10000 -0,0000000000026 -7,8279453924675 4,6838404922659
250 11000 0,0000000000288 -7,3498817182905 4,2783350980787
LLLG
54
Rf SumSaSbSc SumSaSb |Sb|-|Sc|
450 0,0000000000097 0,0025697915182 0,0003122547973
453 -0,0000000000269 0,0025695847181 0,0003139615209
455 -0,0000000000315 0,0025693779062 0,0003156681334
457 0,0000000000515 0,0025691711239 0,0003173749905
461 -0,0000000000081 0,0025689643009 0,0003190816393
465 -0,0000000000148 0,0025687574461 0,0003207884885
471 0,0000000000147 0,0025685506858 0,0003224951624
476 -0,0000000000169 0,0025683438079 0,0003242020621
484 0,0000000000067 0,0025681370520 0,0003259086666
491 0,0000000000132 0,0025679302950 0,0003276153434
500 -0,0000000000383 0,0025675204940 0,0003309969273
NORMAL