Perpustakaan Digital ITB

Mikrogrid (MG) adalah salah satu entitas sistem energi pada jaringan listrik cerdas yang mewujudkan integrasi sumber energi terbarukan untuk menjawab atas kebutuhan energi listrik yang terus meningkat bersamaan dengan menipisnya cadangan energi fosil. Namun, sifat intermiten dari sumber energi terbarukan 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). Dengan menambah opsi aksi grid feed pada SBPE, rentang pengisian dan pemakaian baterai akan meningkat dan berdasarkan penjadwalan grid feed dapat mengakibatkan peningkatan RF dan PV Utilization (PU). Pada penelitian ini dikembangkan penjadwalan aksi SBPE berbasis optimasi dengan menggunakan salah satu jenis metode reinforcement learning, yaitu deep Q-learning berdasarkan optimasi grid feed. Algoritma kontrol dirancang agar dapat sesuai dengan kerangka kerja MG digital twin (MGDT) yang memodelkan objek fisik menjadi objek digital. Berdasarkan hasil uji dan analisis diperoleh kenaikan RF dan PU masing-masing sebesar 15,30% dan 36,28%. Optimasi grid feed menurunkan nilai LCOE (Levelized Cost of Electricity) dari Rp3.102,09/kWh menjadi Rp139,10/kWh. Nilai rata-rata reward pelatihan adalah 3,93 setelah penambahan grid feed.