OPTIMASI MANAJEMEN ENERGI BANGUNAN DENGAN METODE REINFORCEMENT LEARNING UNTUK MENINGKATKAN SWAKONSUMSI FOTOVOLTAIK TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh YUMNA PUSPITA NIM: 23321302 (Program Studi Magister Teknik Fisika) INSTITUT TEKNOLOGI BANDUNG Januari 2024 i ABSTRAK OPTIMASI MANAJEMEN ENERGI BANGUNAN DENGAN METODE REINFORCEMENT LEARNING UNTUK MENINGKATKAN SWAKONSUMSI FOTOVOLTAIK Oleh Yumna Puspita NIM: 23321302 (Program Studi Magister Teknik Fisika) Perubahan iklim global mendorong pemerintah Indonesia untuk meningkatkan bauran energi listrik, salah satunya lewat pemasangan mikrogrid pada bangunan. Namun, sifat intermiten dari produksi PV dapat menyebabkan turunnya keandalan pembangkit. Kemudian, dari sisi bangunan, profil konsumsi listrik pada bangunan universitas bersifat kompleks dan dinamis, sehingga dibutuhkan suatu manajemen sistem energi pada bangunan. Salah satu parameter dari manajemen sistem energi bangunan adalah swakonsumsi produksi PV yang dikonsumsi langsung. Maka dari itu, dilakukan peningkatan swakonsumsi fotovoltaik dengan melakukan pengontrolan manajemen energi pada bangunan, salah satunya lewat manajemen charge dan discharge Sistem Baterai Penyimpan Energi (SBPE). Pada penelitian ini, pengontrol yang dibangun adalah pengontrol Reinforcement Learning (RL) dengan algoritma pembelajaran Proximal Policy Optimization (PPO). Metodologi dari penelitian ini adalah dengan membuat model bangunan dan mikrogrid serta profil produksi PV dan konsumsi listriknya pada bulan September, Desember, Maret dan Juni, lalu membangun pengontrol berbasis aturan sebagai referensi, lalu membuat agen pengontrol Reinforcement Learning dengan penalaan nilai learning rate dan membangun fungsi reward, yang kemudian dievaluasi dan dianalisa dari sisi peningkatan swakonsumsi. Seluruh tahapan dilakukan pada lingkungan MATLAB dan Simulink. Hasil yang didapatkan menunjukkan agen RL yang optimal dengan nilai learning rate dari aktor dan kritik sebesar 0,001 dan 0,0001. Didapatkan peningkatan nilai swakonsumsi yang sangat baik oleh pengontrol berbasis aturan yang dijadikan referensi, lalu peningkatan yang baik oleh pengontrol RL dengan rentang kenaikan 2,42% - 16,7%. Pengontrol RL juga membuktikan bahwa pengontrol RL lebih baik untuk menjaga kesehatan SBPE dengan meminimalisir deep discharge hingga Depth of Discharge maksimum dibandingkan dengan pengontrol berbasis aturan. Kata kunci: Manajemen energi bangunan, Reinforcement learning, Swakonsumsi, Mikrogrid ii ABSTRACT BUILDING ENERGY MANAGEMENT OPTIMIZATION WITH REINFORCEMENT LEARNING METHOD TO IMPROVE PHOTOVOLTAIC SELF -CONSUMPTION By Yumna Puspita NIM: 23321302 (Master’s Program in Engineering Physics) The global climate change has prompted the Indonesian government to enhance the electricity energy mix, one of which is through the installation of microgrids in buildings. However, the intermittent nature of PV production can lead to a decrease in grid reliability. Furthermore, from the demand side, electricity consumption profile in university buildings is complex and dynamic, requiring an energy management system in the building. One parameter of building energy management systems is the self-consumption of directly consumed PV production. Therefore, an increase in photovoltaic self-consumption is achieved by implementing energy management control in the building, one of which is through the management of charging and discharging in Battery Energy Storage System (BESS). In this research, a controller with Reinforcement Learning (RL) approach using the Proximal Policy Optimization (PPO) learning algorithm is built. The methodology of this research involves creating a building and microgrid model along with PV production and electricity consumption profiles in September, December, March, and June. Subsequently, a rule-based controller is constructed as a reference, and then an RL control agent is developed with specified learning rate values and the creation of a reward function. The controller is then evaluated and analyzed in terms of self-consumption improvement.