ABSTRAK Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
COVER Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB1 Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB2 Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB3 Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB4 Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB5 Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
PUSTAKA Fadhila Mahardika P. Setiawan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
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.