Perpustakaan Digital ITB

Dalam penelitian dikembangkan sebuah teknik digital twin untuk membuat prediksi beban termal melalui data real time pada sistem HVAC di data center. Digitalisasi sistem perangkat fisik dilakukan dengan menggunakan teknologi IoT (internet of things), melalui teknologi IoT ini ruang digital dibuat untuk merepresentasikan model prediksi. Tujuan yang hendak dicapai dalam penelitian ini adalah mendapatkan prediksi beban termal sistem energi data center dengan akurasi yang baik. melalui metoda pendekatan pemodelan berbasis data (data driven) dan pembelajaran mesin (machine learning). Hasil prediksi beban termal kemudian dianalisis menggunakan metode heat balance agar dapat diketahui rasio beban termal terhadap kinerja (kapasitas pendinginan) perangkat pendingin data center eksisting, hasil analisis ini merupakan informasi penting dan bermanfaat untuk mengetahui potensi penghematan energi listrik yang dapat dilakukan. Pengembangan arsitektur digital twin dilakukan pada objek eksisting data center universitas (Data Center CRCS ITB). Berdasarkan perbandingan nilai skor metrik evaluasi, algoriitma XGBoost memiliki keunggulan dalam hal akurasi yang ditunjukan dengan baiknya nilai skor RMSE, MSE, MAE dan R2. Namun dalam hal waktu training algoritma LSTM memiliki nilai kecepatan training yang lebih baik untuk memproses jumlah data latih yang sama. Pada analisis beban termal harian, hasil prediksi beban termal didapat nilai rata-rata 30,66 kW per jam untuk tanggal 25 Oktober 2022 dan 29,88 kW per jam untuk tanggal 26 Oktober 2022. Dengan demikian dapat dihitung nilai kesetimbangan beban panas (heat balance) terhadap kapasitas pendinginan nominal unit perangkat pendingin terpasang yaitu 40, 95 % untuk PAC 1 dan 49,21 % untuk PAC 2. Model prediksi beban termal ruang server didapat dengan menggunakan algoritma pembelajaran mesin XGBoost dan LSTM dengan akurasi yang baik. Skor evaluasi RMSE terbaik menggunakan algoritma XGBoost sebesar 0,01 dan 0,07 untuk algoritma pembelajaran mesin LSTM.