Perpustakaan Digital ITB

Prediksi suhu ruangan merupakan salah satu tahap penting untuk mengontrol sistem HVAC dalam upaya konservasi dan efisiensi energi. Dalam literatur, prediksi tersebut dilakukan menggunakan pemodelan sistem termal bangunan berbasis white-box, yang memerlukan pengetahuan lengkap dari ruang yang dimodelkan, atau black-box, yang memerlukan sistem akusisi data yang lengkap untuk tiap ruang yang dimodelkan. Dalam penelitian tugas akhir ini, dikembangkan model prediksi suhu berdasarkan gabungan kedua pendekatan tersebut, yaitu model gray-box. Komponen pemodelan white-box dibangun menggunakan model analogi listrik RCnetwork. Model tersebut adalah lumped model dengan parameter yang disederhanakan. Model tersebut menggunakan data iklim sebagai variabel masukan. Algoritme perhitungan model RC-network dimodelkan berdasarkan algoritme simulasi EnergyPlus. Komponen pemodelan black-box dibangun menggunakan algoritme pembelajaran mesin model LSBoost. Pembelajaran mesin ini dilatih dengan hasil simulasi RC-network dan data iklim untuk menghasilkan prediksi suhu ruangan yang terkoreksi. Model gray-box diuji terhadap simulasi acuan yang dilakukan menggunakan EnergyPlus. Menggunakan pendekatan gray-box, model mampu memprediksi suhu ruang dengan baik menggunakan parameter yang ringkas, robus dan fleksibel. Dalam pengujian, model RC-network konstruksi UGI1_LM mampu memprediksi suhu ruang dengan perbedaan suhu rata-rata -2,5°C dari acuan. Setelah dioptimisasi algoritme LSBoost, akurasi prediksi bertambah baik. Untuk konstruksi UGI1_LM, rata-rata CV(RMSE) 4,08%. Hasil tersebut adalah penurunan 9,44% dari model RC-network saja. Perbedaan suhu rata-rata pun berkurang menjadi -0,1°C dari acuan. Model dapat memprediksi suhu ruang untuk ruangan yang tidak memiliki data latih selama karakteristik dan orientasi ruangan tersebut mirip dengan konstruksi acuan.