Perpustakaan Digital ITB

Penggunaan Pembangkit Listrik Tenaga Surya secara masif dapat mempengaruhi keandalan pembangkit. Untuk mengatasi hal tersebut, produksi listrik dari PLTS harus dikonsumsi langsung sebanyak mungkin oleh beban. Produksi listrik dari PLTS yang langsung dikonsumsi oleh beban selanjutnya disebut swakonsumsi. Selain itu, konsumsi beban ketika malam hari juga harus dikurangi dengan cara load shifting/penggeseran beban. Sistem tata udara sebagai konsumen energi terbesar pada bangunan merupakan objek yang menarik untuk digeser bebannya. Akan tetapi, proses mengontrol sistem tata udara dalam bangunan merupakan hal yang rumit. Terlebih pada bangunan universitas, pola penggunaan ruangan dan jumlah penghuninya tidak menentu sehingga model dinamika bangunan sering kali tidak dapat ditentukan secara pasti. Pada penelitian ini, dikembangkan sebuah pengontrol reinforcement learning untuk meningkatkan swakonsumsi bangunan universitas dengan cara menggeser beban tanpa mengorbankan kenyamanan termal penghuni. Kebaruan yang dilakukan pada penelitian ini terletak pada pemberian batasan produksi listrik dari PLTS pada fungsi objektif optimisasi dan penentuan rentang temperatur untuk kenyamanan termal berdasarkan tipikal tingkat aktivitas dan insulasi pakaian penghuni bangunan universitas. Pendekatan yang dilakukan pada penelitian ini adalah pemodelan dan simulasi. Objek studi kasus yang digunakan pada penelitian ini adalah Gedung Labtek XIV SBM ITB yang terletak di Kota Bandung. Bangunan tersebut kemudian dimodelkan menggunakan SketchUp dan OpenStudio. Pada penelitian ini, bangunan yang dimodelkan terbatas pada lantai 1 dan 2 saja untuk kesederhanaan perancangan. Set point temperatur sistem tata udara pada model ditetapkan konstan sebesar 24°C sebagai nilai awal. Model bangunan yang telah dibuat kemudian divalidasi untuk menjamin bahwa model yang telah dibuat representatif terhadap objek asli. Validasi dilakukan dengan menganalisis pola konsumsi daya sistem tata udara hasil simulasi dengan pengukuran yang dinormalisasi terhadap luas lantai bangunan. Secara umum, pola daya hasil simulasi dan pengukuran memiliki kecenderungan yang sama, yakni beban tertinggi terjadi pada rentang waktu 12:00-18:00. Nilai RMSE model bervariasi dari 0,002 sampai 0,006. Nilai tersebut bermakna bahwa beban model akan memiliki deviasi sebesar kurang dari 0,006 kW/m2 atau sekitar 17% dari intensitas daya maksimum yang terukur. Nilai deviasi tersebut dapat diterima. Koefisien korelasi Pearson harian model dan pengukuran menunjukkan bahwa ada korelasi kuat antara keduanya, kecuali hari Rabu. Algoritma reinforcement learning yang dipilih pada penelitian ini adalah Proximal Policy Optimization (PPO) karena sifatnya yang stabil, sederhana, dan tidak memerlukan sumber daya komputasi yang besar. Meskipun demikian, pada penelitian ini telah dilakukan penalaan hyperparameter berupa learning rate. Dari penalaan tersebut, dipilih pengontrol dengan learning rate sebesar 0,0001 karena hadiah saat ujung penalaan paling tinggi. Pada penelitian ini, pengontrol diuji pada 4 minggu di mana terdapat peristiwa ekuinoks, titik balik utara, dan titik balik selatan matahari. Parameter yang dievaluasi meliputi perubahan swakonsumsi bangunan, perubahan beban puncak dan penghematan biaya, serta rentang kenyamanan termal. Pada penelitian ini ditemukan bahwa pengontrol mampu meningkatkan swakonsumsi bangunan rata-rata maksimal sebesar 6,58% dan menghemat energi beban puncak sebesar 400 kWh per tahun atau setara dengan Rp574.432,00 per tahun. Kenyamanan termal berhasil dijaga di sekitar ?0,5??????????????0,5 kecuali pada ruang Faculty Lounge. Pada ruangan tersebut, diperlukan rentang temperatur yang lebih tinggi agar kenyamanan termal dapat terpenuhi.