digilib@itb.ac.id +62 812 2508 8800

COVER Daffa Adiputra Pratomo I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
» ITB

BAB 1 Daffa Adiputra Pratomo I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
» ITB

BAB 3 Daffa Adiputra Pratomo I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
» ITB

BAB 4 Daffa Adiputra Pratomo I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
» ITB

BAB 5 Daffa Adiputra Pratomo I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
» ITB

DAFTAR Daffa Adiputra Pratomo I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
» ITB

Mikrogrid (MG) adalah sebuah entitas sistem energi listrik cerdas yang dapat mewujudkan integrasi sumber energi terbarukan. MG menjadi jawaban atas kebutuhan energi listrik yang terus meningkat bersamaan dengan menipisnya cadangan energi fosil. Akan tetapi, sifat intermiten dari sumber energi terbarukan masih menjadi kendala bagi MG, karena dapat menyebabkan menurunnya kinerja MG yang ditandai dengan tidak maksimalnya renewable fraction (RF). Hal ini dapat diatasi oleh penerapan kontrol pada komponen-komponen MG, dengan salah satu komponennya adalah sistem baterai penyimpan energi (SBPE). Dalam sistem manajemen energi, terdapat 3 tingkatan kontrol, yaitu kontrol primer, kontrol sekunder, dan kontrol tersier. Dengan menerapkan kontrol sekunder pada aksi pengisian dan pemakaian daya dari SBPE, kualitas daya MG dapat meningkat sebagai dampak dari penyerapan dan pelepasan daya aktif dan reaktif. Selain itu, kontrol pengisian-pemakaian SBPE dapat meningkatkan persentase penggunaan sumber energi terbarukan (renewable fraction, RF) untuk pemenuhan beban listrik MG. Untuk mewujudkan itu, pada penelitian ini akan diterapkan pengontrol algoritma manajemen energi berbasis optimisasi dengan menggunakan salah satu jenis metode reinforcement learning, yaitu deep Q-learning. Algoritma kontrol akan ditempatkan dalam kerangka kerja MG digital twin (MGDT) yang memodelkan objek fisik menjadi model digital. Hasil dari algoritma manajemen energi berbasis optimisasi dengan menggunakan metode deep Q-learning memperoleh nilai RF rata-rata sebesar 44,6%. Algoritma berbasis optimisasi kemudian dibandingkan dengan algoritma berbasis aturan dan ditemukan bahwa nilai RF algoritma berbasis optimisasi lebih tinggi 2,2% dibanding algoritma berbasis aturan.